心血管疾病风险早期预警评估工具的范围综述

doi:10.12114/j.issn.1007-9572.2023.0530

摘要/Abstract

摘要： 背景心血管疾病是全球人类死亡的重要原因，其发病隐匿、病情复杂多变，预后不佳。早期识别并积极干预潜在危重患者对改善患者预后至关重要。目的对国内外心血管疾病风险早期预警评估工具研究进行范围综述，总结分析其评估内容及应用情况，为我国心血管疾病患者早期预警评估工具的选择提供参考。方法以范围综述方法学框架为指导，系统检索中国知网、万方数据知识服务平台、维普网、中国生物医学文献数据库、PubMed、Web of Science、Cochrane Library、Embase、CINAHL、Scopus数据库。检索时限为建库至2023年5月。由2名研究者独立筛选文献和提取资料，从评估内容、研究对象、验证方法、信效度以及预测效能等方面进行分析。结果共纳入16篇文献，其中7篇关于评估工具的开发验证，9篇关于评估工具的本土化应用，涉及20个心血管疾病风险早期预警评估工具。分析结果表明，各评估工具均包含3~17个评估内容，其中出现频率较高的是年龄、收缩压、呼吸频率、血氧饱和度、心率、合并症、意识水平以及性别。2篇文献的信效度检验结果表明信度、效度良好，其他研究均缺少信效度评价。10篇文献报告了评估工具的曲线下面积（AUC），AUC为0.550~0.926 9。结论心血管疾病风险早期预警评估工具种类多样，但质量仍有不足，缺少特异性评估工具。未来仍需要进一步验证现有工具的信效度，并结合疾病特征开发本土化且具备良好信效度的心血管专科早期预警评估工具。

关键词: 心血管疾病, 早期预警, 风险评估, 工具, 范围综述, 护理

Abstract:

Background

Cardiovascular disease (CVD) is a major cause of human mortality worldwide, characterized by its insidious onset, intricate and variable course, and poor prognosis. Early identification and active intervention of potentially critically ill patients is essential to improve their prognosis.

Objective

To conduct a scoping review of the research on early warning assessment tools for cardiovascular disease risk at home and abroad, summarize and analyze their assessment content and application, ultimately providing reference for the selection of appropriate early warning tools for cardiovascular disease patients in China.

Methods

CNKI, Wanfang Data, VIP, CBM, PubMed, Web of Science, Cochrane Library, Embase, CINAHL, and Scopus were systematically searched from inception to May 2023. Two investigators independently screened literature and extracted data, analyzed in terms of assessment content, study subjects, validation method, reliability and validity, and predictive efficacy.

Results

A total of 16 papers were included, comprising 7 papers on the development and validation of assessment tools and 9 papers on the localized application of these tools, involving 20 early warning assessment tools for cardiovascular disease risk. The results of the analysis showed that each assessment tool contained 3 to 17 assessment items, with the most frequently mentioned items of age, systolic blood pressure, respiratory rate, oxygen saturation, heart rate, comorbidities, level of consciousness, and gender. The results of the reliability and validity tests for 2 papers indicated robust reliability and validity, while all other studies lacked reliability and validity evaluations. Ten papers reported the area under the curve (AUC), with values ranging from 0.550 to 0.926 9.

Conclusion

Diverse early warning assessment tools for cardiovascular disease risk are available, however, their overall quality remains to be improved and there is a lack of specific assessment tools. In the future, it is imperative to conduct further validations of the reliability and validity of the existing tools, and develop localized early warning assessment tools specialized for cardiovascular diseases considering the unique characteristics of the disease, which exhibit robust reliability and validity.

Key words: Cardiovascular diseases, Early warning, Risk assessment, Tools, Scoping review, Nursing

中图分类号:

R 54

左仲琪,王宇,靳艳,等. 心血管疾病风险早期预警评估工具的范围综述[J]. 中国全科医学, 2024, 27(27): 3440-3445. DOI: 10.12114/j.issn.1007-9572.2023.0530.
ZUO Zhongqi,WANG Yu,JIN Yan, et al. Early Warning Assessment Tools for Cardiovascular Disease Risk: a Scoping Review[J]. Chinese General Practice, 2024, 27(27): 3440-3445. DOI: 10.12114/j.issn.1007-9572.2023.0530.

图/表 2

参考文献 34

[1]	中国心血管健康与疾病报告编写组. 中国心血管健康与疾病报告2022概要[J]. 中国循环杂志，2023，38（6）：583-612. DOI：10.3969/j.issn.1000-3614.2023.06.001.
[2]	ANDERSEN L W，HOLMBERG M J，BERG K M，et al. In-hospital cardiac arrest：a review[J]. JAMA，2019，321（12）：1200-1210. DOI：10.1001/jama.2019.1696.
[3]	PETEK D，PETEK-STER M，TUSEK-BUNC K. Health behavior and health-related quality of life in patients with a high risk of cardiovascular disease[J]. Zdr Varst，2018，57（1）：39-46. DOI：10.2478/sjph-2018-0006.
[4]	VLAYEN A，VERELST S，BEKKERING G E，et al. Incidence and preventability of adverse events requiring intensive care admission：a systematic review[J]. J Eval Clin Pract，2012，18（2）：485-497. DOI：10.1111/j.1365-2753.2010.01612.x.
[5]	任雪丽，周蓉. 早期预警评分系统在普通病房的应用研究进展[J]. 护理研究，2022，36（14）：2528-2532. DOI：10.12102/j.issn.1009-6493.2022.14.016.
[6]	张竹英，姚彦蓉，刘娜，等. 国家早期预警评分在心脏外科潜在危重症患者病情早期识别中的应用[J]. 基层医学论坛，2022，26（9）：7-10. DOI：10.19435/j.1672-1721.2022.09.003.
[7]	AL-DMOUR J A，SAGAHYROON A，AL-ALI A R，et al. A fuzzy logic-based warning system for patients classification[J]. Health Informatics J，2019，25（3）：1004-1024. DOI：10.1177/1460458217735674.
[8]	HOGAN H，HEALEY F，NEALE G，et al. Preventable deaths due to problems in care in English acute hospitals：a retrospective case record review study[J]. BMJ Qual Saf，2012，21（9）：737-745. DOI：10.1136/bmjqs-2011-001159.
[9]	KRONICK S L，KURZ M C，LIN S，et al. Part 4：systems of care and continuous quality improvement：2015 American heart association guidelines update for cardiopulmonary resuscitation and emergency cardiovascular care[J]. Circulation，2015，132（18 Suppl 2）：S397-413. DOI：10.1161/CIR.0000000000000258.
[10]	HUANG Z X，DONG W，DUAN H L. A probabilistic topic model for clinical risk stratification from electronic health records[J]. J Biomed Inform，2015，58：28-36. DOI：10.1016/j.jbi.2015.09.005.
[11]	DUNNE E，LEARY R，SRINIVASAN K，et al. Early warning scores：breaking or building barriers to critical care[J]. Crit Care，2014，18（suppl 1）：P44. DOI：10.1186/cc13234.
[12]	ARKSEY H，O'MALLEY L. Scoping studies：towards a methodological framework[J]. Int J Soc Res Methodol，2005，8（1）：19-32. DOI：10.1080/1364557032000119616.
[13]	LOCKWOOD C，DOS SANTOS K B，PAP R. Practical guidance for knowledge synthesis：scoping review methods[J]. Asian Nurs Res，2019，13（5）：287-294. DOI：10.1016/j.anr.2019.11.002.
[14]	仲骏，丁紫微，张贤玲，等. 不同危重症评分工具预测心脏外科术后再入ICU患者死亡风险的比较[J]. 护理学杂志，2020，35（23）：1-4. DOI：10.3870/j.issn.1001-4152.2020.23.001.
[15]	于漫，杨巧芳，袁彬彬. 心血管疾病早期预警评分量表的构建与应用[J]. 中华现代护理杂志，2018，24（21）：2525-2528. DOI：10.3760/cma.j.issn.1674-2907.2018.21.010.
[16]	TAŞOLAR H，ÇETIN M，BALLı M，et al. CHA2DS2-VASc-HS score in non-ST elevation acute coronary syndrome patients：assessment of coronary artery disease severity and complexity and comparison to other scoring systems in the prediction of in-hospital major adverse cardiovascular events[J]. Anatol J Cardiol，2016，16（10）：742-748. DOI：10.14744/AnatolJCardiol.2015.6593.
[17]	LI B，DING S，SONG G L，et al. Computer-aided diagnosis and clinical trials of cardiovascular diseases based on artificial intelligence technologies for risk-early warning model[J]. J Med Syst，2019，43（7）：228. DOI：10.1007/s10916-019-1346-x.
[18]	FANG Y，LI C，SUN L J. Design of an early warning system for patients with cardiovascular diseases under mobile environment[J]. Procedia Comput Sci，2016，96：819-825. DOI：10.1016/j.procs.2016.08.258.
[19]	BIAN Y，XU F，LV R J，et al. An early warning scoring system for the prevention of acute heart failure[J]. Int J Cardiol，2015，183：111-116. DOI：10.1016/j.ijcard.2015.01.076.
[20]	HAGEMAN S H J，MCKAY A J，UEDA P，et al. Estimation of recurrent atherosclerotic cardiovascular event risk in patients with established cardiovascular disease：the updated SMART2 algorithm[J]. Eur Heart J，2022，43（18）：1715-1727. DOI：10.1093/eurheartj/ehac056.
[21]	ZHANG Y L，ZHUO H Y，BI H L，et al. Feasibility investigation of developing a revised MEWS score for cardiovascular specialty[J]. Am J Nurs Sci，2021，10（3）：179. DOI：10.11648/j.ajns.20211003.16.
[22]	CHOTECHUANG Y，PHROMMINTIKUL A，KUANPRASERT S，et al. GRACE score and cardiovascular outcomes prediction among the delayed coronary intervention after post-fibrinolytic STEMI patients in a limited PCI-capable hospital[J]. Open Heart，2020，7（1）：e001133. DOI：10.1136/openhrt-2019-001133.
[23]	SUZUKI S，KAIKITA K，YAMAMOTO E，et al. H2 FPEF score for predicting future heart failure in stable outpatients with cardiovascular risk factors[J]. ESC Heart Fail，2020，7（1）：65-74. DOI：10.1002/ehf2.12570.
[24]	WU X W，CHANG H，LI M T，et al. A machine learning-based risk warning platform for potentially inappropriate prescriptions for elderly patients with cardiovascular disease[J]. Front Pharmacol，2022，13：804566. DOI：10.3389/fphar.2022.804566.
[25]	MO R，YU L T，TAN H Q，et al. A new scoring system for predicting short-term outcomes in Chinese patients with critically-ill acute decompensated heart failure[J]. BMC Cardiovasc Disord，2021，21（1）：228. DOI：10.1186/s12872-021-02041-2.
[26]	SCHOOFS M C，AKKERMANS R，GRAUW W D，et al. Performance of the SCORE and Globorisk cardiovascular risk prediction models：a prospective cohort study in Dutch general practice[J]. Br J Gen Pract，2022，73（726）：e24-33. DOI：10.3399/BJGP.2021.0726.
[27]	HONG X L，CHEN H，LI Y，et al. Prediction of presence and severity of coronary artery disease using prediction for atherosclerotic cardiovascular disease risk in China scoring system[J]. World J Clin Cases，2021，9（20）：5453-5461. DOI：10.12998/wjcc.v9.i20.5453.
[28]	LI J X，LIU F C，YANG X L，et al. Validating World Health Organization cardiovascular disease risk charts and optimizing risk assessment in China[J]. Lancet Reg Health West Pac，2021，8：100096. DOI：10.1016/j.lanwpc.2021.100096.
[29]	张婧婧. ViEWS评分对STEMI患者院内发生MACE事件的预测价值[J]. 医学理论与实践，2022，35（22）：3900-3902. DOI：10.19381/j.issn.1001-7585.2022.22.047.
[30]	魏珂，司春婴，王贺，等. 人工智能在心血管疾病诊断及风险预测中的研究进展[J]. 世界科学技术-中医药现代化，2020，22（10）：3576-3582. DOI：10.11842/wst.20200915002.
[31]	WEENK M，KOENEMAN M，VAN DE BELT T H，et al. Wireless and continuous monitoring of vital signs in patients at the general ward[J]. Resuscitation，2019，136：47-53. DOI：10.1016/j.resuscitation.2019.01.017.
[32]	UMAR A，AMEH C A，MURIITHI F，et al. Early warning systems in obstetrics：a systematic literature review[J]. PLoS One，2019，14（5）：e0217864. DOI：10.1371/journal.pone.0217864.
[33]	VAN CALSTER B，WYNANTS L，VERBEEK J F M，et al. Reporting and interpreting decision curve analysis：a guide for investigators[J]. Eur Urol，2018，74（6）：796-804. DOI：10.1016/j.eururo.2018.08.038.
[34]	GERRY S，BONNICI T，BIRKS J，et al. Early warning scores for detecting deterioration in adult hospital patients：systematic review and critical appraisal of methodology[J]. BMJ，2020，369：m1501. DOI：10.1136/bmj.m1501.

第一作者	评估工具	评估内容	研究对象	研究终点	危险评分呈现形式/分界值	信效度	预测效能
于漫^[15]	CEWS^a	收缩压、心率、呼吸、血氧饱和度、心律失常、体温、意识、疼痛评分、年龄	<90岁的成年心血管疾病患者	院内病亡	四分位间距分层，低风险（0~3分）、中风险（4~6分）、高风险（7~10分）、极高风险（≥11分）	Cronbach's α系数为0.730；结构效度为0.630	O/E为0.80~0.91；Pearson相关系数为0.954
ZHANG^[21]	改良MEWS	收缩压、舒张压、呼吸、心率、血氧饱和度、心律失常、意识、胸痛	心血管疾病住院患者	心血管疾病严重程度	低风险（0~3分）、中风险（4~6分）、高风险（7~10分）、极高风险（≥11分）	Cronbach's α系数为0.989；结构效度为0.916
MO^[25]	未命名^a	收缩压、白细胞计数、血细胞比容、总胆红素、肾小球滤过率和NTproBNP	危重症ADHF患者	任何住院病死、心脏骤停或使用机械支持装置			C-index为0.758
BIAN^[19]	SUPER^a	血氧饱和度、尿量、脉搏、情绪状态和呼吸	AHF患者	全因死亡率	低风险（0~1）分、中风险（2~3分）、高风险（4~5分）、极高风险（6~10分）		AUC为0.811
TAŞOLAR^[16]	CHA2DS2-VASC-HS^a	慢性心力衰竭、高血压、糖尿病、血管疾病、年龄65~74岁、性别、高血脂、吸烟、卒中或TIA史和年龄>75岁	NSTE-ACS	重大心血管不良事件	根据SYNTAX评分、三分位数分层，低风险（0~22分）、中风险（23~32分）、高风险（>32分）/5分		AUC为0.804；灵敏度为0.696；特异度为0.903
CHOTECHUANG^[22]	GRACE^b	病史、初次就诊时和住院期间的调查结果	STEMI患者	30 d和6个月内因心血管疾病死亡、再入院	低风险（0~126分）、中高风险（126~258分）		AUC为0.746
张婧婧^[29]	ViEWS^b	体温、脉搏、收缩压、呼吸、SpO₂、辅助吸氧及意识	STEMI患者	院内MACE	低风险（0~6.845分）、高风险（6.845~21分）/6.845分		AUC为0.801
HONG^[27]	CHINA-PAR^b	年龄、性别、居住地、地域、腰围、总胆固醇、高密度脂蛋白、收缩压、服用降压药、糖尿病、吸烟、心血管病家族史	冠心病患者	冠状动脉病变严重程度	低风险（<5%）、中风险（5%~10%）、高风险（>10%）/7.55%		AUC为0.693；灵敏度为0.558；特异度为0.718
SCHOOFS^[26]	SCO RE-FNF^b	年龄、性别、收缩压、吸烟状况、总胆固醇/高密度脂蛋白比和类风湿性关节炎	40~70岁心血管疾病患者	因心血管疾病死亡及再入院			C-index为0.613
LI^[28]	CHINA-PAR^b	性别、年龄、居住地、地域、腰围、收缩压、服用降压药、总胆固醇、高密度脂蛋白、吸烟、糖尿病和心血管病家族史	40~80岁有心血管危险因素的患者	急性心肌梗死、致死性冠心病和非致死性或致死性卒中	低风险（<5%）、中风险（5%~10%）、高风险（>10%）/10%
HAGEMAN^[20]	SMART2^ab	年龄、性别、吸烟、非高密度脂蛋白、糖尿病、冠状动脉疾病、脑血管疾病、外周动脉疾病、腹主动脉瘤、患病时长、肾小球滤过率、C反应蛋白	ASCVD患者	非致死性心肌梗死、非致死性卒中和血管性死亡	50%		AUC为0.696
SUZUKI^[23]	H2FPEF^b	肥胖、使用≥2种抗高血压药物、心房颤动、肺动脉高压、年龄、E/e'>9	有心血管危险因素的稳定门诊患者	心血管死亡和心衰失代偿住院	低风险（0~1分）、中风险（2~5分）、高风险（6~9分）/7分		AUC为0.78；灵敏度为0.470；特异度为0.960
仲骏^[14]	EuroSCO RE、APACHEⅡ、EWS、MEWS、EWS-L^b	脉搏、体温、呼吸、收缩压、意识、尿量、SpO₂、乳酸等	心脏外科术后再入ICU患者	死亡	EWS-L评分6.45分		5种工具依次如下：AUC为0.550、0.725、0.653、0.685、0.794，灵敏度为0.223、0.567、0.500、0.400、0.800，特异度为0.948、0.812、0.779、0.935、0.734
WU^[24]	风险预警模型（PIP、PPO、PIM）	心绞痛、疾病数量、药物数量、住院时间（d）、年龄	年龄≥65岁的住院心血管疾病患者	患者药物不良事件			3种工具依次如下：AUC为0.834 1、0.700 7、0.706 1
LI^[17]	基于人工智能技术的风险早期预警模型（逻辑回归模型、贝叶斯模型、支持向量机模型）	医学数据库中提取患者疾病信息	高血压患者	急性心血管事件（中风、心力衰竭）和危重疾病事件（肾功能衰竭）			3种模型依次如下：AUC为0.926 9、0.922 0、0.924 6；灵敏度为0.804 8、0.819 5、0.850 1；特异度为0.901 4、0.895 1、0.869 5
FANG^[18]	心血管疾病早期预警系统	可穿戴设备自动采集获取的血压、心电图、SpO₂、体温以及由患者测试的血脂和体脂百分比指标	心血管疾病患者

第一作者	评估工具	评估内容	研究对象	研究终点	危险评分呈现形式/分界值	信效度	预测效能
于漫^[15]	CEWS^a	收缩压、心率、呼吸、血氧饱和度、心律失常、体温、意识、疼痛评分、年龄	<90岁的成年心血管疾病患者	院内病亡	四分位间距分层，低风险（0~3分）、中风险（4~6分）、高风险（7~10分）、极高风险（≥11分）	Cronbach's α系数为0.730；结构效度为0.630	O/E为0.80~0.91；Pearson相关系数为0.954
ZHANG^[21]	改良MEWS	收缩压、舒张压、呼吸、心率、血氧饱和度、心律失常、意识、胸痛	心血管疾病住院患者	心血管疾病严重程度	低风险（0~3分）、中风险（4~6分）、高风险（7~10分）、极高风险（≥11分）	Cronbach's α系数为0.989；结构效度为0.916
MO^[25]	未命名^a	收缩压、白细胞计数、血细胞比容、总胆红素、肾小球滤过率和NTproBNP	危重症ADHF患者	任何住院病死、心脏骤停或使用机械支持装置			C-index为0.758
BIAN^[19]	SUPER^a	血氧饱和度、尿量、脉搏、情绪状态和呼吸	AHF患者	全因死亡率	低风险（0~1）分、中风险（2~3分）、高风险（4~5分）、极高风险（6~10分）		AUC为0.811
TAŞOLAR^[16]	CHA2DS2-VASC-HS^a	慢性心力衰竭、高血压、糖尿病、血管疾病、年龄65~74岁、性别、高血脂、吸烟、卒中或TIA史和年龄>75岁	NSTE-ACS	重大心血管不良事件	根据SYNTAX评分、三分位数分层，低风险（0~22分）、中风险（23~32分）、高风险（>32分）/5分		AUC为0.804；灵敏度为0.696；特异度为0.903
CHOTECHUANG^[22]	GRACE^b	病史、初次就诊时和住院期间的调查结果	STEMI患者	30 d和6个月内因心血管疾病死亡、再入院	低风险（0~126分）、中高风险（126~258分）		AUC为0.746
张婧婧^[29]	ViEWS^b	体温、脉搏、收缩压、呼吸、SpO₂、辅助吸氧及意识	STEMI患者	院内MACE	低风险（0~6.845分）、高风险（6.845~21分）/6.845分		AUC为0.801
HONG^[27]	CHINA-PAR^b	年龄、性别、居住地、地域、腰围、总胆固醇、高密度脂蛋白、收缩压、服用降压药、糖尿病、吸烟、心血管病家族史	冠心病患者	冠状动脉病变严重程度	低风险（<5%）、中风险（5%~10%）、高风险（>10%）/7.55%		AUC为0.693；灵敏度为0.558；特异度为0.718
SCHOOFS^[26]	SCO RE-FNF^b	年龄、性别、收缩压、吸烟状况、总胆固醇/高密度脂蛋白比和类风湿性关节炎	40~70岁心血管疾病患者	因心血管疾病死亡及再入院			C-index为0.613
LI^[28]	CHINA-PAR^b	性别、年龄、居住地、地域、腰围、收缩压、服用降压药、总胆固醇、高密度脂蛋白、吸烟、糖尿病和心血管病家族史	40~80岁有心血管危险因素的患者	急性心肌梗死、致死性冠心病和非致死性或致死性卒中	低风险（<5%）、中风险（5%~10%）、高风险（>10%）/10%
HAGEMAN^[20]	SMART2^ab	年龄、性别、吸烟、非高密度脂蛋白、糖尿病、冠状动脉疾病、脑血管疾病、外周动脉疾病、腹主动脉瘤、患病时长、肾小球滤过率、C反应蛋白	ASCVD患者	非致死性心肌梗死、非致死性卒中和血管性死亡	50%		AUC为0.696
SUZUKI^[23]	H2FPEF^b	肥胖、使用≥2种抗高血压药物、心房颤动、肺动脉高压、年龄、E/e'>9	有心血管危险因素的稳定门诊患者	心血管死亡和心衰失代偿住院	低风险（0~1分）、中风险（2~5分）、高风险（6~9分）/7分		AUC为0.78；灵敏度为0.470；特异度为0.960
仲骏^[14]	EuroSCO RE、APACHEⅡ、EWS、MEWS、EWS-L^b	脉搏、体温、呼吸、收缩压、意识、尿量、SpO₂、乳酸等	心脏外科术后再入ICU患者	死亡	EWS-L评分6.45分		5种工具依次如下：AUC为0.550、0.725、0.653、0.685、0.794，灵敏度为0.223、0.567、0.500、0.400、0.800，特异度为0.948、0.812、0.779、0.935、0.734
WU^[24]	风险预警模型（PIP、PPO、PIM）	心绞痛、疾病数量、药物数量、住院时间（d）、年龄	年龄≥65岁的住院心血管疾病患者	患者药物不良事件			3种工具依次如下：AUC为0.834 1、0.700 7、0.706 1
LI^[17]	基于人工智能技术的风险早期预警模型（逻辑回归模型、贝叶斯模型、支持向量机模型）	医学数据库中提取患者疾病信息	高血压患者	急性心血管事件（中风、心力衰竭）和危重疾病事件（肾功能衰竭）			3种模型依次如下：AUC为0.926 9、0.922 0、0.924 6；灵敏度为0.804 8、0.819 5、0.850 1；特异度为0.901 4、0.895 1、0.869 5
FANG^[18]	心血管疾病早期预警系统	可穿戴设备自动采集获取的血压、心电图、SpO₂、体温以及由患者测试的血脂和体脂百分比指标	心血管疾病患者