Xây dựng mô hình tiên lượng tử vong ở bệnh nhân nội khoa cấp cứu

Nghiên cứu với mục tiêu trình bày phát triển mô hình tiên lượng tử vong từ các thông số lâm sàng không xâm lấn cho bệnh nội khoa tại khoa cấp cứu. Nghiên cứu được thực hiện tại khoa cấp cứu, bệnh viện đa khoa trung ương Cần Thơ.

XÂY DỰNG MÔ HÌNH TIÊN LƯỢNG TỬ VONG

Ở BỆNH NHÂN NỘI KHOA CẤP CỨU

Hà Tấn Đức*, Đặng Quang Tâm*, Trần Văn Ngọc**, Bùi Quốc Thắng**, Đỗ Văn Dũng**,

Nguyễn Đình Nguyên**, Nguyễn Văn Tuấn ***

TÓM TẮT

Mở đầu: Mặc dù nhiều mô hình tiên lượng cho bệnh nội khoa tại khoa cấp cứu đã được phát triển, nhưng

chưa có mô hình nào cho thấy tiên lượng tốt ở bệnh nhân Việt Nam

Mục tiêu: Phát triển mô hình tiên lượng tử vong từ các thông số lâm sàng không xâm lấn cho bệnh nội khoa

tại khoa cấp cứu

Phương pháp: Nghiên cứu được thực hiện tại khoa cấp cứu, bệnh viện đa khoa trung ương Cần Thơ Chúng

tôi thu thập các thông tin về đặc điểm lâm sàng, tiền sử bệnh Kết cục chính là tử vong trong vòng 30 ngày kể từ ngày nhập viện Hồi quy Cox được áp dụng để phân tích mối liên quan giữa tử vong và các yếu tố nguy cơ Phương pháp Bayesian Model Average (BMA) được sử dụng để tìm mô hình tiên lượng

Kết quả: Phân tích BMA cho thấy mô hình tối ưu gồm các biến số: giới tính, nhịp thở, bão hòa oxy ngoại

biên, điểm Glasgow, và chỉ định điều trị tại hồi sức cấp cứu Mô hình này có trị số AUC là 0.842 (KTC

95%:0.809-0.875) Chúng tôi phát triển 2 đồ thị tiên lượng để ước tính nguy cơ tử vong

Kết luận: Mô hình tiên lượng từ các thông số lâm sàng không xâm lấn có độ phân định giữa tử vong và sống khá tốt ở bệnh nội khoa tại khoa cấp cứu

Từ khóa: Mô hình tiên lượng, khoa cấp cứu, tử vong

ABSTRACT

DEVELOPMENT OF A PROGNOSTIC MODEL BASED ON NON-INVASIVE PARAMETERS FOR PREDICTING 30-DAY MORTALITY RISK IN MEDICAL EMERGENCY DEPARTMENT

Ha Tan Duc, Dang Quang Tam, Tran Van Ngoc, Bui Quoc Thang, Do Van Dung, Nguyen Dinh Nguyen, Nguyen Van Tuan * Y Hoc TP Ho Chi Minh * Vol 19 - Supplement of No 1 - 2015: 321 - 329

Introduction: Althought several prognostic models have been developed for non-surgical patients in

Emergency Department, none of those models has good predictive performance in Vietnamese patients

Aim: To develop a prognostic model based on non-invasive parameters for predicting mortality risk among

non-surgical patients in Emergency Department.

Patients and methods: The study was conducted at the Emergency Department of the National Hospital of

Can Tho, Vietnam We obtained patient characteristics and medical history as pre-specified in the study design The primary outcome was mortality within 30 days since hospital admission The relationship between mortality and risk factors was analyzed by the Cox’s proportional hazards model The Bayesian Model Averaging method (BMA) was used to search for factors that were developed a prognostic model

Results: The risk factors such as male gender, breathing rate, peripheral oxygen saturation, Glasgow coma

score, and indication of admitting to intensive care unit which were found by BMA were used to develop a

* Khoa hồi sức tích cực và chống độc, bệnh viện đa khoa trung ương Cần Thơ

** Đại học Y dược thành phố Hồ Chí Minh *** Khoa khoa học ứng dụng, Đại học Tôn Đức Thắng

prognostic model The AUC of the model was 0.842 (95%CI:0.809-0.875) We have developed two nomograms for individualizing the risk of mortality

Conclusions: These data suggest that a prognostic model based on non-invasive parameters has good

predictive value in identifying medical patients at high risk of mortality in Emergency Department

Key words: prognostic model, emergency department, mortality

ĐẶT VẤN ĐỀ

Đa số các trường hợp tử vong trong bệnh

viện xảy ra ở những bệnh nhân nhập viện trong

hoàn cảnh cấp cứu( 8)

Đặc biệt, do sự đa dạng về bệnh lý và độ nặng của bệnh nội khoa cấp cứu

nên việc tiên lượng bệnh vẫn còn gặp nhiều khó

khăn, với hệ quả là các biến cố bất lợi xảy ra

ngoài dự đoán(11) Mặc dù, tiên lượng từ kinh

nghiệm cá nhân của bác sỹ vẫn có sự chính xác

khá cao; tuy nhiên, đối với các trường hợp có kết

cục điều trị rất tốt hoặc rất xấu thì độ tin cậy của

tiên lượng dựa trên kinh nghiệm cá nhân thường

là thấp(12) Do đó, nhiều mô hình tiên lượng đã

được phát triển cho bệnh nội khoa cấp cứu

nhằm nhận diện những trường hợp có nguy cơ

cao cần được hồi sức cấp cứu Những mô hình

này có thể được sử dụng cho việc phân loại ưu

tiên chăm sóc nhằm sử dụng nguồn lực y tế

thích hợp Trong số các mô hình đang được sử

dụng, phổ biến nhất là Rapid Emergency

Medicine Score (REMS)(13), Rapid Acute

Physiology Score (RAPS)(16), Worthing

Physiological Scoring system (WPS)(5), Routine

Laboratory Data (RLD)(14), và Admission

Laboratory Tests (ALT)(1,7) Các mô hình này đã

được nghiên cứu ở bệnh nhân Âu Mỹ và có độ

chính xác tốt khi tiên lượng kết cục điều trị của

bệnh nhân(1)

Trong các mô hình vừa nêu trên, hai mô hình

REMS và WPS có tính khả thi cao đối với bối

cảnh tại khoa cấp cứu, vì các biến số đều sẳn có

ngay lúc vào viện và được thu thập chỉ trong

một thời gian ngắn Chỉ số AUC (Area Under the

receiver operating characteristic Curve) của mô

hình REMS và WPS khi nghiên cứu phát triển

mô hình lần lượt là 0.852(13) và 0.740(5) Tuy nhiên,

theo một nghiên cứu được thực hiện tại một

trung tâm y tế ở đồng bằng sông Cửu Long, độ chính xác khi tiên lượng của 2 mô hình này chỉ ở mức trung bình ở bệnh nhân có bệnh nội khoa tại khoa cấp cứu(4)

Với giả thuyết mô hình tiên lượng tử vong cho bệnh nội khoa tại khoa cấp cứu từ các thông

số lâm sàng không xâm lấn có lợi ích khi sử dụng cho bệnh nhân Việt Nam Nghiên cứu hiện tại được thiết kế để kiểm định giả thuyết vừa nêu, với mục tiêu nghiên cứu là phát triển mô hình tiên lượng tử vong từ các thông số lâm sàng không xâm lấn cho bệnh nội khoa tại khoa cấp cứu ở bệnh nhân Việt Nam

ĐỐI TƯỢNG - PHƯƠNG PHÁP NGHIÊN CỨU Bối cảnh và đối tượng nghiên cứu

Nghiên cứu được thực hiện tại khoa cấp cứu của bệnh viện đa khoa trung ương Cần Thơ Khoa cấp cứu tiếp nhận và cho nhập viện trung bình khoảng 75 bệnh nhân/ngày Đề cương và quy trình nghiên cứu đã được sự chấp thuận của hội đồng khoa học công nghệ và y đức của bệnh viện đa khoa trung ương Cần Thơ (số 20/QĐ-KHCN) và hội đồng y đức Đại học Y Dược Thành phố Hồ Chí Minh (số 74/ĐHYD-HĐ) Chúng tôi thu thập tất cả các bệnh nhân nội khoa trên 15 tuổi đến khám tại phòng cấp cứu và

có chỉ định nhập viện Bệnh nhân được xem là có bệnh nội khoa khi nhập viện không do nguyên nhân chấn thương, và không có chỉ định phẫu thuật; ngoại trừ các phẫu thuật do đột quỵ, xuất huyết tiêu hóa trên, và tràn khí màng phổi nguyên phát Bệnh nhân bị loại trừ khỏi nghiên cứu nếu có ít nhất một trong các tình trạng hoặc bệnh lý như: hội chứng vành cấp, bỏng, ngưng tim trước khi vào viện hoặc tại khoa cấp cứu với hồi sinh tim phổi thất bại, rắn cắn, côn trùng cắn

hoặc đốt, ngộ độc (thuốc, rượu, paraquat, thuốc

trừ sâu, thuốc diệt chuột, chất ăn mòn) Phụ nữ

có thai cũng được loại trừ khỏi nghiên cứu

Bệnh nhân có thể rút khỏi nghiên cứu bất kỳ

lúc nào Bệnh nhân được cho ngừng tham gia

nghiên cứu khi xảy ra một trong các tình huống

sau: không hợp tác điều trị, chuyển đến trung

tâm y tế khác khi tình trạng lâm sàng chưa cải

thiện, không liên lạc được, và xuất viện do thân

nhân xin về

Quy trình nghiên cứu

Tất cả bệnh nhân đủ tiêu chuẩn nhận vào và

không có tiêu chuẩn loại trừ đều được mời tham

gia nghiên cứu Việc ký thỏa thuận đồng ý tham

gia nghiên cứu được thực hiện ở tất cả các

trường hợp bệnh nhân thu thập Nếu bệnh nhân

giảm tri giác, thân nhân hoặc người đại diện sẽ

thay mặt bệnh nhân ký tên vào tờ thỏa thuận

tham gia nghiên cứu Sau đó, các nhân viên thu

thập số liệu đã qua huấn luyện tiến hành ghi

nhận các dữ liệu y khoa của bệnh nhân Dữ liệu

thu thập bao gồm: đặc điểm lâm sàng, tiền sử

bệnh, và các dữ liệu sinh lý theo yêu cầu của

thiết kế nghiên cứu Các dữ liệu y khoa được thu

thập một lần lúc vào viện Sau thời gian 30 ngày

kể từ ngày nhập viện, nghiên cứu viên gọi điện

đến bệnh nhân hoặc thân nhân để hỏi về kết cục

điều trị Những bệnh nhân còn tiếp tục điều trị

trong bệnh viện sau thời gian 30 ngày được ghi

nhận là còn sống

Kết cục

Kết cục chính của nghiên cứu này là tử vong

trong vòng 30 ngày kể từ ngày nhập viện Tử

vong ở ngày đầu tiên sau khi nhập viện được ghi

nhận là ngày 0 Tử vong được định nghĩa là (a)

bệnh nhân tử vong trong bệnh viện do bất kỳ

nguyên nhân nào, hoặc (b) thân nhân xin cho

bệnh xuất viện và bệnh nhân tử vong trong vòng

24 giờ sau khi xuất viện, hoặc (c) bác sỹ cho xuất

viện và bệnh nhân tử vong tại nhà

Yếu tố nguy cơ

Trong vòng 15 phút kể từ khi bệnh nhân vào khoa cấp cứu, chúng tôi thu thập số liệu ghi nhận các dữ liệu y khoa bao gồm mạch, nhiệt độ, huyết áp (máy huyết áp điện tử, OMRON HEALTHCARE Co, Việt Nam), nhịp thở, bão hòa oxy ngoại biên (SpO2, NONIN Co, Mỹ), điểm Glasgow, ngày điều trị ở bệnh viện khác, ngày khởi phát bệnh, bệnh kèm theo, tình trạng chức năng Ngay trước khi bệnh nhân được chuyển đến khoa khác các dữ liệu sau được tiếp tục ghi nhận: liều norepinephrine, dopamine, dobutamine, hồi sinh tim phổi, thở máy, điều trị tại khoa hồi sức cấp cứu theo chỉ định Nhiệt độ

và điểm Glasgow được ghi nhận với giá trị cao nhất khi bệnh nhân đang điều trị tại khoa cấp cứu, và được đánh giá thêm trước khi bệnh nhân rời khỏi khoa cấp cứu Thời gian nằm viện được ghi nhận sau khi bệnh nhân xuất viện Trong một số trường hợp (khoảng 5%) huyết áp bệnh nhân quá thấp hoặc quá cao, máy huyết áp điện

tử không ghi nhận được trị số huyết áp, nhân viên thu thập số liệu sẽ đo huyết áp bằng máy huyết áp cơ học

Quản lý và phân tích dữ liệu

Phân tích dữ liệu được thực hiện theo kế hoạch đã được dự định Giai đoạn đầu, thống kê

mô tả được thực hiện để mô tả các biến số định tính và định lượng có phân tầng theo tình trạng sống còn của bệnh nhân Sự khác biệt giữa nhóm sống sót và tử vong của các biến số định lượng được kiểm định bằng các phương pháp tham số cho các biến số có phân phối bình thường, hoặc phương pháp phi tham số cho các biến số không

có phân phối bình thường; đối với các biến định tính sự khác biệt về tỷ lệ giữa nhóm sống sót và

tử vong được kiểm định bằng phương pháp chính xác Fisher Giai đoạn tiếp theo, phương pháp BMA (Bayesian Model Average) được sử dụng để tìm mô hình tối ưu trong tiên lượng nguy cơ tử vong Tiêu chí để xác định mô hình tối ưu dựa vào chỉ số BIC (Bayesian Information Criterion) Sau cùng, chúng tôi sử dụng chỉ số hazard ratio (HR) trong phương pháp hồi quy

Cox(2) để đánh giá mối liên quan giữa các biến số

được chọn lựa trong mô hình và tử vong Tính

phân định của mô hình được đánh giá bằng chỉ

số AUC trong tiên lượng tử vong 30 ngày và

dùng phép kiểm DeLong để kiểm định sự khác

biệt giữa 2 chỉ số AUC(3) Tính phù hợp của mô

hình được mô tả bằng sự tương quan giữa tỷ lệ

tử vong tiên lượng và tỷ lệ tử vong quan sát từ

dữ liệu(17) Phương pháp BMA được thực hiện

bằng gói phần mềm “BMA”(15) Biểu đồ

nomogram được vẽ bằng gói phần mềm “rms”(6)

Tất cả các phân tích thống kê được thực hiện

bằng phần mềm R, phiên bản 3.1.0(18)

KẾT QUẢ

Đặc điểm quần thể nghiên cứu

Trong thời gian từ 13/3/2013 đến 1/6/2013

chúng tôi tuyển chọn được 2180 bệnh nhân vào

nghiên cứu Tuy nhiên, có 59 bệnh nhân bị loại

khỏi nghiên cứu do không đáp ứng các tiêu

chuẩn nhận vào và tiêu chuẩn loại trừ, 13 bệnh

nhân bị khuyết dữ liệu ở tiêu chuẩn loại trừ; 271

bệnh nhân ngừng tham gia nghiên cứu Trong số

1837 bệnh nhân còn lại, có 91 bệnh nhân bị khuyết dữ liệu Do đó, số liệu của 1746 bệnh nhân còn lại được sử dụng cho phân tích

Thời gian nằm viện trung bình là 7 ngày (IQR: 4 - 10) Trong thời gian theo dõi, 172 bệnh nhân tử vong, tỷ lệ tử vong là 9.8% (KTC95%: 8.5

- 11.3%) Tỷ lệ tử vong trong 5 ngày là 5.7% (KTC95%: 4.6 - 6.9%), tỷ lệ tử vong tiếp tục tăng dần trong suốt thời gian nằm viện

Các đặc điểm của bệnh nhân trong nhóm

nghiên cứu được trình bày ở Bảng 1 Trong các

yếu tố nguy cơ, dấu hiệu sinh tồn (mạch, nhiệt

độ, nhịp thở, SpO2) cho thấy có sự khác biệt giữa nhóm sống sót và nhóm tử vong Ngoài ra, các yếu tố khác như tình trạng tri giác, điều trị tại khoa hồi sức cấp cứu theo chỉ định cũng có sự khác biệt giữa nhóm sống sót và nhóm tử vong Các tình trạng bệnh lý kèm theo như suy giảm miễn dịch do thuốc, ung thư hạch, ung thư máu hoặc đa u tủy, ung thư khác, suy thận mạn không thấy có sự khác biệt giữa nhóm sống sót

và nhóm tử vong

Bảng 1: Đặc điểm của 1746 bệnh nhân cấp cứu phân nhóm theo tình trạng sống còn và tử vong

Biến số Sống sau 30 ngày Tử vong trong vòng 30 ngày Trị số P

( a ) Kiểm định chính xác Fisher ( b ) Kiểm định hoán vị cho 2 mẫu ( c ) Trung vị (tối thiểu, tối đa)

Các mô hình tiên lượng tử vong

Tất cả những yếu tố nguy cơ tiềm năng đều

được đưa vào phân tích bằng phương pháp

BMA để chọn lựa mô hình tối ưu cho tiên lượng

tử vong trong vòng 30 ngày Kết quả phân tích

cho thấy 5 yếu tố nguy cơ có liên quan nhiều đến

tử vong là: giới tính, nhịp thở, SpO2, điểm

Glasgow, điều trị tại khoa hồi sức cấp cứu theo

chỉ định Mô hình 1 bao gồm cả 5 yếu tố nguy cơ

vừa nêu là mô hình được chọn lựa vì có chỉ số

BIC thấp nhất (-256.8) và xác suất hậu định cao

nhất (0.379), hay nói cách khác mô hình 1 là mô hình có khả năng phản ánh thực tế nhiều nhất với ít thông số nhất Tính phân định của các mô hình được đánh giá qua chỉ số AUC, chỉ số AUC của mô hình 1 và mô hình 3 cao nhất (AUC=0.842); tuy nhiên, chưa thấy có sự khác biệt về chỉ số AUC giữa mô hình 5 và các mô hình còn lại (mô hình 1, mô hình 2, mô hình 3, và

mô hình 4) Bảng 2 trình bày các đặc tính của các

mô hình tiên lượng khả dĩ

Bảng 2: Năm mô hình tiên lượng tối ưu được chọn lựa bằng phương pháp BMA

Huyết áp động mạch trung bình 0,0

Ngày điều trị ở bệnh viện khác 0,0

Xác suất≠0 a (%) Mô hình 1 Mô hình 2 Mô hình 3 Mô hình 4 Mô hình 5

Phân tích đa biến những yếu tố nguy cơ

trong mô hình 1 cho thấy giới nam tăng nguy cơ

tử vong 47% so với giới nữ Gia tăng mỗi 5 nhịp

thở/phút sẽ gia tăng nguy cơ tử vong 32%; SpO2

lúc nhập viện giảm 5% sẽ tăng nguy cơ tử vong

19%; và với mỗi điểm Glasgow giảm đi sẽ tăng

được nguy cơ tử vong 15% Đặc biệt, những bệnh nhân được điều trị tại khoa hồi sức cấp cứu theo chỉ định có nguy cơ tử vong cao gấp 6.7 lần

so với những bệnh nhân bệnh nhẹ hơn được

điều trị tại khoa phòng thường (Bảng 3)

Bảng 3: Các yếu tố có liên quan đến nguy cơ tử vong: kết quả phân tích đa biến từ mô hình hồi quy Cox

Biểu đồ 1: nomogram của mô hình 1 tiên lượng xác suất sống còn trong vòng 30 ngày : Giới tính, 1:

Nam, 0: Nữ; nhịp thở, lần/phút; SpO2, %; Glasgow, điểm Glasgow cao nhất tại cấp cứu; chỉ định điều trị tại

ICU (Intensive Care Unit), 1: Có, 0: Không, Cách sử dụng nomogram như sau: ứng với mỗi giá trị của biến số

trong mô hình chiếu thẳng góc lên thanh điểm trên cùng sẽ có số điểm tương ứng, tổng cộng sẽ có 5 giá trị về

điểm thu nhận được tương ứng với biến số giới tính, nhịp thở, SpO2, điểm Glasgow cao nhất tại cấp cứu, và

chỉ định điều trị tại ICU, Điểm tổng sẽ là tổng số của 5 giá trị điểm, Từ thanh điểm tổng chiếu thẳng góc xuống

các thanh ước lượng xác suất sống còn ta sẽ có được xác suất sống còn của bệnh nhân trong vòng 24 giờ, 5

ngày, 10 ngày, 15 ngày và 30 ngày)

Biểu đồ 2: nomogram của mô hình 1 tiên lượng ngày sống còn trung vị

Chú thích: Giới tính, 1: Nam, 0: Nữ; nhịp thở, lần/phút; SpO2, %; Glasgow, điểm Glasgow cao nhất tại cấp

cứu; chỉ định điều trị tại ICU, 1: Có, 0: Không; Ngày sống còn trung vị, ngày), Các giá trị của biến số được

chiếu thẳng góc lên thang điểm trên cùng để có số điểm tương ứng, Giả sử có một bệnh nhân nữ (#10 điểm),

khi vào viện có nhịp thở 45 lần/phút (#30 điểm) và SpO2 85% (#35 điểm), điểm Glasgow cao nhất của bệnh

nhân tại khoa cấp cứu là 14 (#41 điểm), và bệnh nhân có chỉ định điều trị tại ICU (0 điểm), Điểm tổng bệnh

nhân này là (10+30+35+41+0)=116, Từ thang điểm tổng ở mức 116 chiếu thẳng góc xuống ta sẽ có ngày sống

còn trung vị được tiên lượng là 10 ngày),

Mô hình 1

Tỷ lệ tử vong quan sát (cột xám)

Tỷ lệ tử vong tiên luợng

Biểu đồ 3: Tỷ lệ tử vong quan sát và tỷ lệ tử vong

tiên lượng của mô hình 1

BÀN LUẬN

Mặc dù, hiện nay đã có nhiều mô hình tiên

lượng cho bệnh nội khoa sử dụng những biến số

không xâm lấn và được thu thập thường quy tại

cấp cứu; tuy nhiên, do ảnh hưởng của những sai

lệch bên trong (biến số, phương pháp thống kê)

và bên ngoài của mô hình (quần thể nghiên cứu,

địa lý, thời gian sử dụng) dẫn đến sự suy giảm

tính chính xác khi tiên lượng ở một quần thể bệnh nhân mới, Thêm vào đó, các mô hình tiên lượng hiện có thường không tiện cho việc sử dụng tại gường và cần phải có những thiết bị hỗ trợ tính toán nên bị giới hạn sử dụng ở bối cảnh tại khoa cấp cứu, Nghiên cứu của chúng tôi có mục đích tìm một mô hình tiên lượng mới kết hợp các biến số không xâm lấn sẳn có và thu thập thường quy tại cấp cứu, tiên lượng cho cá nhân, và dễ dàng sử dụng trong bối cảnh cấp cứu, Kết quả phân tích bằng phương pháp BMA cho thấy 5 yếu tố nguy cơ: giới tính nam, nhịp thở, SpO2, điểm Glasgow, và điều trị tại hồi sức cấp cứu theo chỉ định là các yếu tố nguy cơ có liên quan đến tử vong, Mô hình tiên lượng gồm

5 yếu tố nguy cơ này (mô hình 1) có tính phân định và tính phù hợp tốt có thể sử dụng trên lâm sàng để tiên lượng cho bệnh nội khoa tại khoa cấp cứu, Từ 5 yếu tố nguy cơ đã được xác định chúng tôi xây dựng 2 nomogram để tiên lượng nguy cơ và ngày sống còn trung vị Các

nomogram có thể được ứng dụng để tiên lượng

cho bệnh nhân ngay tại gường bệnh,

Trong các mô hình tiên lượng cho bệnh nội

khoa cấp cứu đã được phát triển trước đây, các

yếu tố nguy cơ như mạch, huyết áp, nhiệt độ,

nhịp thở, SpO2, tri giác đã cho thấy có liên quan

đến tử vong tại bệnh viện( 5,13)

, Bên cạnh đó, giới tính và loại nhập viện cũng là một trong những

yếu tố nguy cơ của tử vong trong bệnh viện(14),

Các mô hình được phát triển từ các biến số

không xâm lấn thu thập tại khoa cấp cứu như

HOTEL(10), REMS(13), SCS(9) đều cho thấy có chỉ số

AUC trên 0,8, Tuy nhiên, trong phân tích của

chúng tôi mô hình được chọn lựa (mô hình 1)

không bao gồm tất cả các biến số này, Mặc dù,

trong nghiên cứu này có nhiều điểm khác biệt so

với các nghiên cứu trước đây như (a) khác biệt

về thời điểm thu thập dữ liệu, nghiên cứu này

ghi nhận dữ liệu trong vòng 15 phút nhập viện

(SCS ghi nhận ngay lúc nhập viện(9)); (b) khác

biệt về quần thể nghiên cứu và nguồn lực y tế, có

sự khác biệt về tiêu chuẩn loại trừ trong nghiên

cứu này với các nghiên cứu khác(9,10,13); (c) khác

biệt về định nghĩa kết cục, do ảnh hưởng của

văn hóa nên người Việt thường muốn bệnh

nhân mất tại nhà điều này dẫn đến nhiều trường

hợp bệnh nặng tử vong ngoài bệnh viện, các

nghiên cứu khác thường ghi nhận tử vong trong

bệnh viện(9,10,13); và (d) khác biệt về phương pháp

xử lý thống kê, các biến số định lượng trong

nghiên cứu này không bị biến đổi thành biến số

thứ bậc khi phân tích, đồng thời việc chọn lựa

mô hình tối ưu dựa trên phương pháp BMA

(khác với REMS(13), SCS(9) và HOTEL(10)), Tuy

nhiên, lý do chính dẫn đến sự khác biệt về các

biến số được chọn lựa đưa vào mô hình 1 có thể

là do ảnh hưởng độ mạnh của biến số điều trị tại

khoa hồi sức cấp cứu theo chỉ định; thực chất

đây là một biến số tổng hợp của các biến số khác

có trước đó,

Phát triển một mô hình tiên lượng là bước

đầu tiên để hình thành nên một công cụ hỗ trợ

lâm sàng; mô hình tiên lượng trong nghiên cứu

này cần phải được thẩm định ở một quần thể

bệnh nhân khác, ở một địa điểm khác; vì tính khái quát hóa của mô hình chỉ được xác định qua các nghiên cứu thẩm định bên ngoài (external validation)(19), Tuy nhiên, vì kết cục điều trị của bệnh nhân phụ thuộc vào bệnh lý mắc phải và nguồn lực y tế(20), Do đó, mô hình này có tiềm năng ứng dụng cho quần thể bệnh nhân ở các nước đang phát triển có nguồn lực y

tế và đặc điểm quần thể bệnh lý tương tự như ở vùng đồng bằng sông Cửu Long của Việt Nam, Những phát hiện đã nêu trong phần kết quả cần phải được xem xét kết hợp với những điểm mạnh và hạn chế của nghiên cứu, Nghiên cứu này được dựa trên cỡ mẫu lớn, yếu tố này cho phép phát hiện được những ảnh hưởng dù nhỏ của các yếu tố nguy cơ, Các nomogram được xây dựng cung cấp cho các bác sỹ công cụ để phân loại ưu tiên điều trị và tiên lượng cho bệnh nhân tại gường phù hợp với bối cảnh cấp cứu, Bên cạnh đó, việc đánh giá kết cục điều trị và thu thập dữ liệu được thực hiện nghiêm ngặt đảm bảo tính chính xác và tin cậy của dữ liệu, Tuy nhiên, các bệnh nhân trong mẫu nghiên cứu này được thu thập từ quần thể bệnh nhân bị ảnh hưởng của văn hóa địa phương, vì vậy có sai lệch trong đánh giá kết cục so với quần thể bệnh nhân Âu Mỹ, Ngoài ra, nghiên cứu này loại trừ một số bệnh lý thường gặp tại khoa cấp cứu như hội chứng vành cấp và ngộ độc; vì vậy, kết quả nghiên cứu không áp dụng cho những bệnh lý này, Sau cùng, vì dữ liệu chỉ được lấy một lần lúc nhập viện nên không phản ánh đầy đủ sự đáp ứng điều trị của bệnh nhân,

KẾT LUẬN

Tóm lại, mô hình tiên lượng gồm những biến

số giới tính, nhịp thở, SpO2, điểm Glasgow, và chỉ định điều trị tại khoa hồi sức cấp cứu có tính phân định và tính phù hợp tốt, giúp nhận diện được nguy cơ tử vong cho bệnh nội khoa tại khoa cấp cứu, Nomogram thay thế các công cụ phức tạp khác để tiên lượng ngày và nguy cơ của tử vong ngay tại gường, phù hợp với bối cảnh khẩn trương của khoa cấp cứu,

TÀI LIỆU THAM KHẢO

1 Brabrand M, Folkestad L, Clausen N G, Knudsen T, Hallas J

(2010), "Risk scoring systems for adults admitted to the

emergency department: a systematic review", Scand J Trauma

Resusc Emerg Med, 18, 8,

2 Cox D R (1972), "Regression Models and Life-Tables", Journal

of the Royal Statistical Society, Series B (Methodological), 34(2),

187-220,

3 DeLong E R, DeLong D M, Clarke-Pearson D L (1988),

"Comparing the areas under two or more correlated receiver

operating characteristic curves: a nonparametric approach",

Biometrics, 44(3), 837-845,

4 Hà Tấn Đức, Danh Bảo Quốc, Nguyễn Văn Tuấn (2011), "Giá

trị của mô hình REMS và WPS trong tiên lượng tử vong bệnh

lý nội khoa tại khoa cấp cứu", Tạp chí Y học thực hành, 792(11),

60-64,

5 Duckitt R W, Buxton-Thomas R, Walker J, Cheek E, Bewick V,

Venn R, et al, (2007), "Worthing physiological scoring system:

derivation and validation of a physiological early-warning

system for medical admissions, An observational,

population-based single-centre study", Br J Anaesth, 98(6), 769-774,

6 Frank EHJ, (2014), Regression Modeling Strategies (Version

4,2-0),

7 Froom P, Shimoni Z (2006), "Prediction of hospital mortality

rates by admission laboratory tests", Clin Chem, 52(2), 325-328,

8 Jarman B, Gault S, Alves B, Hider A, Dolan S, Cook A, et al,

(1999), "Explaining differences in English hospital death rates

using routinely collected data", BMJ, 318(7197), 1515-1520,

9 Kellett J, Deane B (2006), "The Simple Clinical Score predicts

mortality for 30 days after admission to an acute medical

unit", QJM, 99(11), 771-781,

10 Kellett J, Deane B, Gleeson M (2008), "Derivation and

validation of a score based on Hypotension, Oxygen

saturation, low Temperature, ECG changes and Loss of

independence (HOTEL) that predicts early mortality between

15 min and 24 h after admission to an acute medical unit",

Resuscitation, 78(1), 52-58,

11 Ludikhuize J, Smorenburg S M, de Rooij S E, de Jonge E

(2012), "Identification of deteriorating patients on general

wards; measurement of vital parameters and potential

effectiveness of the Modified Early Warning Score", J Crit Care,

27(4), 424 e427-413,

12 McClish D K, Powell S H (1989), "How well can physicians

estimate mortality in a medical intensive care unit?", Med

Decis Making, 9(2), 125-132,

13 Olsson T, Terent A, Lind L (2004), "Rapid Emergency Medicine score: a new prognostic tool for in-hospital mortality

in nonsurgical emergency department patients", J Intern Med,

255(5), 579-587,

14 Prytherch D R, Sirl J S, Schmidt P, Featherstone P I, Weaver P

C, Smith G B (2005), "The use of routine laboratory data to

predict in-hospital death in medical admissions", Resuscitation,

66(2), 203-207,

15 Raftery A, Hoeting J, Volinsky C, Painter I, Yeung K Y, (2014), Bayesian Model Averaging,

16 Rhee K J, Fisher C J, Jr,, Willitis N H (1987), "The Rapid Acute

Physiology Score", Am J Emerg Med, 5(4), 278-282,

17 Royston P, Altman D G (2013), "External validation of a Cox

prognostic model: principles and methods", BMC Med Res

Methodol, 13, 33,

18 Team R C, (2014), R: A language and environment for statistical

computing, R Foundation for Statistical Computing, Vienna,

Austria, from http://www,R-project,org/

19 Toll D B, Janssen K J, Vergouwe Y, Moons K G (2008),

"Validation, updating and impact of clinical prediction rules: a

review", J Clin Epidemiol, 61(11), 1085-1094,

20 Vincent C, Taylor-Adams S, Stanhope N (1998), "Framework

for analysing risk and safety in clinical medicine", BMJ,

316(7138), 1154-1157,