急性内科手术。2023年1月至12月;10(1):e911。
确定日本非紧急医疗条件下成年救护车使用者的亚群特征:一项基于人群的观察研究
,
1 ,2 ,2和2 上野惠子
1医学研究生院和公共卫生学院社会流行病学系,京都大学,京都日本
奇·特拉莫托
2生物医学与健康科学研究生院围手术期和危重病护理管理系,广岛大学,广岛日本
Hiroyuki Sawatari先生
2生物医学与健康科学研究生院围手术期和危重病护理管理系,广岛大学,广岛日本
田部一木
2生物医学与健康科学研究生院围手术期和危重病护理管理系,广岛大学,广岛日本
1医学研究生院和公共卫生学院社会流行病学系,京都大学,京都日本
2生物医学与健康科学研究生院围手术期和危重病护理管理系,广岛大学,广岛日本
通讯作者。收到日期:2023年9月8日;2023年11月7日修订;2023年11月30日验收。
版权©2023作者。急性医学与外科由John Wiley&Sons Australia,Ltd代表日本急性医学协会出版。 - 数据可用性声明
经东广岛消防局许可,作者可根据要求提供部分或完整的数据集和数据字典,但调查人员需提供机构审查委员会的批准函。
摘要
目标
在日本,大约60%的成年救护车使用者在急诊室被诊断患有轻伤或疾病,因此不需要住院治疗。本研究旨在通过分段方法解释定量推导的分段,确定患有非紧急医疗条件的成年救护车使用者的不同亚组(分段)特征。
方法
这项基于人群的观察研究使用了2016年1月1日至2020年12月31日期间日本东广岛消防局的救护车运输和请求通话记录数据库。参与者是在急诊科被诊断患有轻伤或疾病的18-64岁救护车使用者(定义为患有非紧急医疗条件的成年救护车使用者)。采用软聚类方法,基于13个变量对参与者进行划分。
结果
该分析包括5982名成人救护车使用者。获得了六个部分:(1)“在工作日深夜发生神经系统疾病或其他损伤的用户”;(2) “用户受伤或涉及火灾事故,现场时间增加,医院多次询问”;(3) “用户在医院之间转移”;(4) “患有急性疾病并从家中运输的用户”;(5) “涉及机动车事故的用户”;(6)“用户在工作日白天转移到该地区以外的医院。”
结论
这些发现表明,使用基于人群的救护车记录可以将患有非紧急医疗状况的成年救护车使用者划分为不同的群体。需要进行进一步的研究,以满足每个细分市场的救护车用户需求。
关键词:救护车、聚类分析、紧急医疗服务、观察研究、患者视力
在本研究中,软聚类方法通过使用基于人群的救护车记录,识别了六个不同的非紧急医疗状况的成年救护车使用者群体。
简介
在全球范围内,由于人口老龄化和社会结构变化,救护车的使用有所增加。1非紧急问题的救护车需求继续增加。2在日本,根据国家标准,非紧急医疗状况的救护车使用者被定义为轻伤或疾病患者,他们不需要住院,并从急诊室出院。三约占所有救护车使用者的45%。2021年,按年龄组划分,非紧急医疗状况的救护车使用者比例如下:婴儿(28天至6岁,75.1%)、青少年(7-17岁,73.2%)、成年人(18-64岁,57.9%)、老年患者(>65岁,35.1%)和新生儿(<28天,11.1%)。就绝对数字而言,成人(988933)的运输频率高于婴儿(158327)和青少年(117781)。三因此,患有非紧急医疗状况的成人救护车使用者应该是第一个需要支持性干预的目标群体。
非紧急医疗状况患者使用救护车与他们的医疗状况、社会经济状况(老年、工作状态、经济剥夺)和心理因素(焦虑和孤独)有关。4因此,非紧急医疗条件下的救护车使用者有医疗和未满足的生物心理社会需求。5然而,很少考虑生物心理社会需求。提供一对一护理以满足个人需求既昂贵又耗时。6因此,我们专注于商业和社会营销的理论和实践,以提供量身定制的支持干预措施来满足这些需求。7分割,将一个群体划分为具有相似特征的单个亚组(段)的过程,8可以为目标群体提供适当的支持性干预。理论上,为每个细分市场提供量身定制的支持是满足不同需求的有效策略。聚类是一种常用于分割的统计方法。9
为了在未来的研究中确定这些细分的生物心理社会需求,我们试图通过细分和聚类技术来描述患有非紧急医疗条件的成年救护车使用者的不同细分。
方法
研究设计和参与者选择
这项基于人口的观察研究是在日本广岛东广岛消防局管辖的三个城市进行的。数据来源为2016年1月1日至2020年12月31日期间东广岛消防局的救护车运输和救护车请求呼叫记录数据库。急诊室医生诊断18至64岁的救护车使用者患有轻伤或疾病,他们被登记为患有非紧急疾病的成年救护车使用者。
日本的紧急医疗服务体系
日本紧急医疗系统(EMS)由地方政府管理。需要救护车运送到医院的人可以拨打“119”请求急救服务。急救服务人员对患者进行评估,并在现场进行急救和治疗。然后,他们为患者选择最合适的医院并拨打请求电话。一旦附近的急救医院同意对他们进行治疗,患者就会被救护车运送到那里。除了那些拒绝去医院或已经死亡的患者外,所有患者都被送往医院。EMS人员的护理和交通费用由地方政府承担,救护车使用者不收取费用。
设置
东广岛消防局负责东广岛市、竹原市和Osakikamijima镇的救护车服务。2022年,东广岛市和竹原市的人口分别为189039人和24071人,人口密度分别为每公里298人和204人2分别是。Osakikamijima镇是濑户内海中心的一个岛屿,人口7153人,人口密度为每公里166人22022年,东广岛市和竹原市分别有9个和3个二级急救中心,大阪岛镇没有,这三个城市也没有三级急救中心。
变量
年龄组分为两组:青年(18-39岁)和中年成年人(40-64岁)。根据世界卫生组织(WHO)定义的国际疾病分类(ICD10),到达急诊室后的临时诊断被分为10组三:脑血管疾病、心血管疾病、胃肠疾病、呼吸系统疾病、精神疾病、神经系统疾病、泌尿系统疾病、癌症、其他疾病和未知疾病。通过添加缺失的数据类别,将该变量分为11组。行走能力被分为四组:能够行走、行走困难、无法行走和缺少数据。救护站分为九组,由东广岛消防局管辖。救护车呼叫地点分为五组:住宅、公共场所、工作场所、道路和其他。救护车呼叫的日期和时间分为六组:工作日白天(9:00–16:00)、早晚(17:00–0:00)、深夜(1:00–8:00)和周末白天(9:00-16:00)、晚间(17:00-0:00)和晚间(1:00-8:00)。现场时间是指从救护车到达现场到离开现场的时间。根据消防与灾害管理局的规定,延长现场时间被定义为从救护车到达现场到离开的时间≥30分钟,多个医院查询被定义为每个救护车用户≥4个查询。10我们将现场时间分为≥30分钟或更少,医院查询次数分为≥4次或更少。救护车运输同伴是在救护车上陪伴患者的人,分为六组:家人、医生、护士、其他人、无和缺失数据。火灾管理局的指南中规定了EMS现场判断的紧急状态。11将其分为四组:紧急状态(生理上已经危及生命的状态,有恶化趋势或可能迅速恶化的状态)、半紧急状态(时间推移影响生命和功能预后的状态),低紧急程度(不属于上述类别但需要医疗护理的病症)和非紧急程度(未属于上述类别且不需要医疗护理)。事故类别分为12组:火灾事故、自然灾害、水相关事故、机动车辆事故、工伤、运动相关伤害、其他类型的伤害、袭击、自伤、急性病、院内交通等。救护车使用者被转移到的医院类型分为11组:国家急诊医院、公共急诊医院、私立急诊医院、国家医院、公立医院、私立医院、其他类型的医院、地区外国家急诊医院和地区外公共急诊医院,区域外的私立急诊医院和区域外的私立医院。
统计分析
使用描述性统计总结参与者的基线特征。使用概率潜在语义分析(PLSA)识别成年救护车使用者的细分。12这种软聚类方法为每个段分配两个数据列(个人和变量),与该段的关联概率决定了成员的程度。我们假设这个人(我)以变量为特征(v(v))通过潜在变量z(z)并使用以下等式定义其联合概率:
哪里P(P)(z(z)),P(P)(v(v)|z(z))、和P(P)(我|z(z))使用期望最大化算法进行计算。该方法为属于>1段的个体和变量提供了灵活性。
在这项研究中,通过改变初始值,节段的数量从3个增加到8个。在软聚类方法中,最优分段数不能由单一标准确定13; 因此,它是基于Akaike信息准则、贝叶斯信息准则、段大小、,14以及片段的可解释性。14与段关联概率较高的变量代表段特征12; 然而,“高”归属概率不存在固定值。因此,我们使用关联概率≥0.50的变量,并根据其特征命名每个段。我们还将个人分配到隶属概率最高的细分市场,以获得每个细分市场的人数。
我们使用Alkano(日本东京NTT数据数学系统公司)进行PLSA,使用STATA SE V.17.0(美国德克萨斯州大学城STATA Corp.)进行其他统计分析。
结果
在东广岛消防局管辖的三个城市中,54939名使用救护车的人中,5982名患有非紧急医疗状况的成年救护车使用者被纳入分析(平均年龄39.3岁;标准偏差[SD]:14.5;44.2%为女性;图). 表介绍了研究参与者的特点。
表1
非紧急医疗条件下成人救护车使用者的特征(n个 = 5,982).
变量 | 值,n个(%) |
---|
年龄(岁) | 18–39 | 2990 (50.0) |
40–64 | 2992(50.0) |
性别 | 男性 | 3337 (55.8) |
女性 | 2645 (44.2) |
到达急诊室后的临时诊断 | 脑血管病 | 201 (3.4) |
心血管疾病 | 144(2.4) |
胃肠疾病 | 458 (7.7) |
呼吸道疾病 | 200 (3.3) |
精神病 | 126 (2.1) |
神经系统疾病 | 136 (2.3) |
泌尿系统疾病 | 135(2.3) |
癌症 | 2 (0.03) |
其他疾病 | 3277 (54.8) |
未知疾病 | 549 (9.2) |
缺少 | 754 (12.6) |
行走能力 | 能够行走 | 3543 (59.2) |
行走困难 | 1705 (28.5) |
无法行走 | 684 (11.4) |
缺少 | 50 (0.8) |
救护站 | A类 | 3087 (51.6) |
B | 988 (16.5) |
C | 617 (10.3) |
天 | 395 (6.6) |
E类 | 190 (3.2) |
F类 | 145 (2.4) |
G公司 | 411 (6.9) |
H(H) | 98 (1.6) |
我 | 51(0.9) |
救护车呼叫位置 | 住宅 | 2462 (41.2) |
公共场所 | 1096 (18.3) |
工作场所 | 400 (6.7) |
道路 | 1907年(31.9年) |
其他 | 117 (2.0) |
救护车呼叫的日期和时间 | 工作日白天(9:00–16:00) | 1490 (24.9) |
工作日凌晨(17:00–0:00) | 1511 (25.3) |
工作日深夜(1:00–8:00) | 1076 (18.0) |
周末白天(9:00–16:00) | 743 (12.4) |
周末凌晨(17:00–0:00) | 772 (12.9) |
周末深夜(1:00–8:00) | 390 (6.5) |
现场时间(分钟) | <30 | 5661 (94.6) |
≥30 | 321 (5.4) |
医院查询次数 | <4 | 5921 (99.0) |
≥4 | 61 (1.0) |
救护车运输同伴 | 无 | 3565 (59.6) |
家庭 | 1260 (21.1) |
医生 | 15 (0.3) |
护士 | 32 (0.5) |
其他 | 1029 (17.2) |
缺少 | 81 (1.4) |
现场EMS判断的紧急状态 | 紧迫性 | 122 (2.0) |
半紧急状态 | 2282 (38.2) |
紧急程度低 | 2235 (37.4) |
非紧急情况 | 1343 (22.5) |
事故类别 | 火灾事故 | 24 (0.4) |
自然灾害 | 6 (0.1) |
水相关事故 | 2 (0.03) |
机动车事故 | 1658 (27.7) |
工伤 | 117 (2.0) |
运动相关伤害 | 49 (0.8) |
其他类型的伤害 | 548 (9.2) |
袭击 | 59 (1.0) |
自伤 | 43 (0.7) |
急性疾病 | 3341 (55.9) |
医院间运输 | 134 (2.2) |
其他 | 1 (0.02) |
救护车使用者被转移到的医院类型 | 国家急救医院 | 2293 (38.3) |
公共急诊医院 | 120 (2.0) |
私立急诊医院 | 3061 (51.2) |
国家医院 | 29 (0.5) |
公立医院 | 41 (0.7) |
私立医院 | 189 (3.2) |
其他类型的医院 | 1 (0.02) |
区域外的国家急救医院 | 48 (0.8) |
区外公共急救医院 | 103 (1.7) |
区域外的私立急诊医院 | 78 (1.3) |
区域外的私立医院 | 19 (0.3) |
在根据研究标准评估分段后,使用PLSA确定了一个六分段模型(图). 细分市场名称和细分市场中的人数包括用户(1)“患有神经系统疾病或其他伤害,在工作日深夜发生”(n个 = 549, 9.2%)”; (2) “受伤或涉及火灾事故,现场时间延长,医院多次询问(n个 = 369, 6.2%)”; (3) “在医院之间转移(n个 = 1166, 19.5%)”; (4) “患有急性疾病并从家里被运送(n个 = 1862, 31.1%)”; (5) “涉及机动车事故的用户(n个 = 1742, 29.1%)”; (6)“用户在工作日白天转移到该地区以外的医院(n个 = 294, 4.9%).”
非紧急医疗条件下成人救护车使用者六段模型中变量的关联概率。图中列出了隶属概率为0.5或更高的变量。缩写:EMS,急救医疗服务。
讨论
在本研究中,软聚类方法确定了六组患有非紧急医疗状况的成年救护车使用者。每个片段的特征都是不同的,在现实世界中都可以解释;这一点很重要,因为细分的实用性和适用性应该对利益相关者“有意义”。7
第2部分用户的特点是,由于火灾事故、运动相关伤害、自伤或其他类型的伤害,现场时间延长,医院多次询问。这与之前的日本研究一致,即由于EMS人员提供了广泛的应急管理和治疗,以及选择医院所需的时间,现场时间尤其延长。15第3部分用户包括在医院之间转移的第三大救护车用户,在救护车转移过程中有人陪同。在日本,医院间交通由医疗机构的医生决定,医生要求转移,并表示无法使用其他交通工具。尽管专业医疗服务要求患者在医院之间移动以获得适当的服务,但非紧急医疗条件患者的跨医院交通转移了更多紧急救护车呼叫的资源。16这一问题需要在今后的研究中加以解决。第6段用户需要被送往消防部门指定区域以外的专业医疗设施,因为他们是特殊情况,例如患有精神病、自然灾害或工伤的用户。
医学领域的分割通常被描述为“人群/患者分割”,广泛用于不同的临床环境,包括心理、肿瘤、呼吸和心血管疾病。15分割结果的质量是基于既定的标准来评估的:内部有效性(数据本身对片段结构匹配数据的评估程度)、外部有效性(使用外部数据验证分割性能)、,可识别性/可解释性(细分市场需要明确识别和解释)、实质性(每个细分市场的规模都应该足够大)、稳定性(细分市场的定义应该随着时间的推移相当稳定)和可操作性/可访问性(每个分市场应该容易关注和针对干预)。17我们研究中产生的片段不符合稳定性和外部验证要求。因此,在我们随后的研究中,我们将进行一项纵向研究,以表明衍生线段在一段时间内保持相对稳定。此外,我们应该通过访谈EMS人员和其他社区专业人员,证明每个细分的生物心理社会需求不同,从而验证细分结果。
我们的研究有几个局限性。首先,这项研究是在日本当地城市进行的,这可能会限制其概括性。其次,救护车使用者的状况和到达急诊室时的临时诊断可能没有得到准确反映。这是因为EMS人员通常在到达医院后获得医生的初步评估,而他们的状况和诊断可能会在ED的进一步检查和测试后发生变化。因此,一些参与者到达ED时的状况和临时诊断可能被错误分类。因此,在未来的研究中,我们需要考虑仅根据EMS联系时获得的信息创建救护车用户细分。此外,我们需要考虑通过合并医疗索赔和救护车请求呼叫记录数据库,使用纵向数据创建救护车用户细分。在该分析中,我们可以创建包含更详细信息的分段,例如检测、治疗、最终诊断以及急诊室就诊后的住院或出院状态。最后,得到的最佳分段数取决于研究中使用的变量。因此,我们需要根据本研究中描述的多个标准来确定未来研究中的每个分析。
结论
这些发现表明,患有非紧急医疗状况的成年救护车使用者可以使用基于人群的救护车记录进行分类。需要进行进一步的研究,以满足每个细分市场的救护车用户需求,并提供量身定制的干预措施来满足这些需求。
融资信息
这项工作得到了日本科学促进会(JSPS)的支持,KAKENHI拨款编号为19K19731、22K21081和23H03228。该资助机构没有责任或参与研究方案的制定、分析、结果解释或手稿的提交。
道德声明
研究方案的批准:京都大学研究生院和医学院伦理委员会批准了本研究(批准号:R3745)。这项研究是根据1964年《赫尔辛基宣言》及其后来的修正案或类似的道德标准进行的。知情同意:由于常规手术所收集数据的匿名性和本研究的回顾性,放弃了知情同意的要求。研究/试验的注册号和注册号:不适用。动物研究:不适用
笔记
上野K、Teramoto C、Sawatari H、Tanabe K。确定日本非紧急医疗条件下成年救护车使用者的亚群特征:一项基于人群的观察研究.急性内科手术. 2023;10:e911.10.1002/ams2.911[交叉参考][谷歌学者]
数据可用性声明
经东广岛消防局许可,作者可根据要求提供部分或完整的数据集和数据字典,但调查人员需提供机构审查委员会的批准函。
参考文献
1Lowthian JA、Cameron PA、Stoelwinder JU、Curtis A、Currell A、Cooke MW等。增加紧急救护车的使用.澳大利亚卫生部修订版. 2011;35:63–69.[公共医学][谷歌学者] 4Booker MJ、Shaw ARG、Purdy S。为什么有“初级护理敏感性”问题的患者需要救护车服务?文献的系统制图综述.英国医学杂志. 2015;5:e007726。[PMC免费文章][公共医学][谷歌学者] 5范德拉恩MR、范奥芬贝克MAG、布罗库斯H、斯莱茨JP。老年护理中以人为中心的细分研究:实现高效的需求驱动护理.社会科学与医学. 2014;113:68–76.[公共医学][谷歌学者] 6Lynn J、Straube BM、Bell KM、Jencks SF、Kambic RT。利用人口分割为所有人提供更好的卫生保健:“通向健康的桥梁”模型.米尔班克Q. 2007;85:185–208. 讨论209‐12。[PMC免费文章][公共医学][谷歌学者] 7Lee N,Kotler P。社会营销:社会变革的行为改变第6版。加利福尼亚州千橡树市:SAGE出版物;2019[谷歌学者] 8加利福尼亚州布莱恩特·格里尔。公共卫生中的社会营销.公共卫生年度收入. 2005;26:319–339.[公共医学][谷歌学者] 9Everitt B、Landau S、Leese M、Stahl D。聚类分析第5版。西苏塞克斯:John Wiley&Sons Ltd;2011[谷歌学者] 12霍夫曼T。基于概率潜在语义分析的无监督学习.马赫数学习. 2001;42:177–196.[谷歌学者] 13Pastor DA、GagnéP.均值和协方差结构混合模型。收件人:Hancock GR,Mueller RO,编辑。结构方程建模:第二门课程第2版。北卡罗来纳州夏洛特:信息时代出版公司;2013年,第343–393页。[谷歌学者] 14Chang J、Boyd‐Graber J、Gerrish S、Wang BDM、Blei DM。阅读茶叶:人类如何解释主题模型.高级神经信息处理系统程序. 2009;22:288–296.[谷歌学者] 15Nagata I、Abe T、Nakata Y、Tamiya N。日本大城市危重急诊患者救护车运送期间现场时间延长的相关因素:一项基于人群的观察研究.英国医学杂志. 2016;6:e009599。[PMC免费文章][公共医学][谷歌学者] 16Robinson V、Goel V、Macdonald RD、Manuel D。安大略省的机构间病人转移:你知道你当地的救护车是用来做什么的吗?
健康政策. 2009;4:53–66.[PMC免费文章][公共医学][谷歌学者] 17Yan S、Kwan YH、Tan CS、Thumboo J、Low LL。数据驱动人群细分分析临床应用的系统综述.BMC医学研究方法. 2018;18:121.[PMC免费文章][公共医学][谷歌学者]