作者：伊丽莎白·A·卢斯，博士；卡林·布里克纳，公共卫生博士；凯瑟琳·鲍尔斯，博士，注册护士
临床医生可能低估了痴呆症患者对社区基础姑息护理的需求。
摘要
目的： 社区基础姑息护理为具有高死亡风险的社区居住者提供支持，包括那些在姑息护理服务中未得到充分覆盖的痴呆症患者。然而，临床医生的资格评估过程尚未被充分理解。本研究评估了临床医生指出的重要因素与社区基础姑息护理计划资格判定之间的关系。
研究设计： 对2022年7月至2023年12月提供社区基础姑息护理的医疗保险优势计划（Medicare Advantage plan）的医疗保险行政索赔数据进行回顾性队列分析。参与者包括该保险计划中所有被确定为具有高死亡风险并接受姑息护理需求评估的成员。
方法： 多元逻辑回归分析了社区基础姑息护理计划资格判定（结果）与姑息护理团队成员确定的4个对判断姑息护理需求重要的因素之间的关系：诊断、症状管理、功能能力和医疗保健利用。
结果： 在343次姑息护理评估中（针对322名独特患者），38%为非裔美国人/黑人患者，38%为白人患者，9%为亚裔/太平洋岛民患者，15%为其他种族患者；41%为西班牙裔/拉丁裔患者（与种族分开测量）；80%为女性患者；患者平均年龄为88岁。其中，169次（49%）评估针对符合姑息护理资格的患者。在对团队成员在确定资格时认为重要的因素进行的多元逻辑回归分析中，只有痴呆症与最终资格判定显著相关——且呈负相关（调整后的OR，0.45；95% CI，0.26-0.75；P = .003）。
结论： 临床医生在确定姑息护理需求时认为重要的因素与最终资格判定之间可能存在不匹配。尽管死亡风险升高，但痴呆症患者被转诊接受姑息护理的可能性较低，表明可能存在错失的机会。
美国家庭医学杂志. 2025;31(11):待出版
要点
尽管社区基础姑息护理可以支持包括痴呆症患者在内的重症患者安全地留在社区中，但临床医生确定该服务资格的过程却鲜为人知。我们研究了临床医生认为在确定社区基础姑息护理资格时重要的因素与最终资格判定之间的关系。
- 在诊断、症状负担、功能能力和近期医疗保健利用中，只有痴呆症与最终资格显著相关。
- 痴呆症诊断与姑息护理资格判定之间的负相关表明，可能错失了为这些患者提供姑息护理所能提供的支持的机会。
姑息护理，包括门诊或社区基础姑息护理（CBPC），是一种循证的、跨学科的护理服务模式，可以支持严重疾病、在社区居住的老年人维持生活质量并安全地留在家中。近200万美国人居家不出，另有550万人需要协助才能离开家。60%至80%的65岁及以上美国成年人患有两种或多种慢性疾病，这增加了对CBPC的需求。CBPC通过减轻症状负担、预防住院和提高生活质量，改善重症患者及其护理者的结果。姑息护理与痴呆症患者的以人为中心的护理目标一致，但这些患者的姑息护理参与不足以及缺乏促进与CBPC建立联系的干预措施，表明这是一个关键的质量问题。
然而，从更广泛的人群中识别可能从CBPC中受益的具有高症状负担和低功能水平的重症患者可能具有挑战性，这些人可能只需要专科初级护理，如老年病学家提供的护理。基于行政索赔数据的12个月死亡率预测算法可以作为识别社区环境中目标护理（如CBPC）个体的有用临床决策支持工具。这些算法使用索赔数据中的数千个变量，涉及诊断、急诊科（ED）使用和住院、处方以及耐用医疗设备（DME）使用。
最终，临床医生做出关于个体是否符合特定CBPC计划标准的最终决定。临床医生可能会利用索赔数据基础算法不易捕捉到的有关个体健康状况的信息，包括电话筛查、患者自报告和电子健康记录中的信息，来确定CBPC资格。索赔数据提供有关个体慢性疾病的资料，但可能不包含有关疾病阶段或严重程度的详细信息。患者的症状负担和功能状态对于帮助临床医生区分慢性疾病管理良好的老年人与可能从CBPC中受益的重症、低功能、高症状负担的老年人至关重要。然而，症状负担和功能状态在所有行政索赔数据中并不明显。因此，必须使用每个的代理指标。国际疾病分类第十次修订版 (ICD-10) 中关于疼痛、呼吸困难和其他症状管理的代码可能表明更高的症状负担。功能状态通常为家庭保健接受者和养老院居民所记录，但不为不接受这些服务的老年人记录。索赔数据中功能状态下降的证据已通过评估家庭支持（如家庭保健助手）和呼吸和肠内支持的DME来捕捉。最后，最近访问过急诊科或被医院收治后出院到社区的患者可能需要额外支持，因为他们正在从急性健康事件中恢复。
在本研究中，CBPC团队成员确定了他们在医疗保险优势计划（MA）中老年人群中评估CBPC需求时认为重要的因素，包括：(1) 7种慢性疾病的诊断，这些疾病在晚期表明需要姑息护理；(2) 作为症状负担代理的症状管理；(3) 使用MA计划数据科学家开发的措施来评估功能能力；(4) 医疗保健利用。这项试点研究评估了这些因素是否与实际CBPC资格判定相关，超出了MA计划用于识别可能从CBPC中受益但需要进一步评估以确定最终资格的现有死亡率预测算法所控制的范围。我们还根据诊断类别比较了临床医生知情预测模型的受试者工作特征曲线下面积（AUROC）。了解临床医生认为重要的因素与这些因素如何与资格判定相关的关系，是了解如何最终将个体与CBPC连接起来的重要前提步骤。
方法
数据和研究样本
本研究分析了由非营利健康计划和护理管理组织为纽约（包括纽约市和上州）多样化人群服务的拥有4000多名成员的医疗保险优势计划（MA）的医疗保险行政索赔数据。我们对研究使用了病例对照设计。所有MA计划成员每月都使用由MA计划数据科学团队开发的经验证的预测算法进行评估。该算法标记出12个月内死亡风险高且经历过与姑息护理需求相关的触发事件的个体。我们将分析限制在由12个月死亡率算法标记并由姑息护理团队成员评估是否符合MA计划中CBPC计划资格的个体。我们排除了因排除标准（如接受临终关怀或居住在长期护理设施或熟练护理设施中）而在评估前被确定不符合CBPC计划资格的个体。我们提供了2022年7月至2023年12月期间接受CBPC评估的343名CBPC评估的322名独特个体的描述性统计数据——所有这些个体都参加了MA计划并接受了CBPC评估。19名个体在此期间接受了多次姑息护理评估。根据联邦法规第2(ii)类，VNS Health IRB确定所有研究活动均免于机构审查委员会（IRB）审查。
结果
CBPC资格。 CBPC资格对每位接受服务评估的MA计划成员进行了二元变量测量（合格 = 1；不合格 = 0）。
12个月死亡率。 为确定当前12个月死亡率算法在不同患者群体中的表现，我们计算了多种疾病类别的AUROC。
关键预测因子
在Sheldon等人的研究中，与7名参与确定MA计划成员CBPC资格的姑息护理团队成员（包括外展/护理经理和执业护士）进行了焦点小组讨论，指出了解个体的诊断对评估过程很有帮助。此外，症状负担和功能能力被确定为做出姑息护理资格判定的关键指标。
功能能力措施。 MA计划的数据科学团队确定了与功能能力相关的《当前操作术语》代码，然后在概念上分为5个类别，测量为二元变量（是 = 1；否 = 0）。日常生活活动（ADL）支持 指非技术性家庭健康、个人护理或家务服务。DME：喂养支持 指人工补水、饲管、肠内用品或营养缺乏。DME：呼吸支持 指氧气或呼吸机使用。物理治疗/职业治疗服务 指物理或职业服务。专业护理 指专业家庭健康服务。
症状管理。 在多变量模型中，我们分别控制了3个症状管理的二元测量值（是 = 1；否 = 0）。使用ICD-10代码识别症状负担：恶心和呕吐（合并为一个变量）、疼痛和呼吸困难。
诊断。 使用ICD-10诊断代码识别癌症、终末期肾病（ESKD）、慢性阻塞性肺病（COPD）、心血管疾病、中风、痴呆症和贫血的诊断，并测量为二元变量（是 = 1；否 = 0）。
医疗保健利用。 根据纽约州医疗补助管理护理操作报告要求确定急诊科就诊和住院情况，并测量为二元变量（是 = 1；否 = 0）。
协变量
社会人口学因素。 我们控制了通常与健康结果差异相关的受益人人口统计学因素，包括年龄（岁）、性别（男性，女性[参考]）、种族（亚裔，黑人或非裔美国人[以下简称黑人]，其他，白人[参考]）和西班牙裔/拉丁裔民族。年龄较轻（<65岁）、男性以及认同为黑人或西班牙裔与重症个体获得姑息护理的机会较少和健康结果较差相关。
当前死亡率预测模型。 我们还控制了12个月死亡概率，以控制现有机器学习算法的性能。该模型使用XGBoost算法在3500个候选特征上进行训练，这些特征捕捉了医疗保健利用的近期性和强度、ICD-10分类以及预先确定的具体临床项目。超参数使用Optuna进行优化。当前模型的AUROC为0.84（95% CI，0.83-0.85）。
分析
为评估CBPC资格判定，我们使用χ2或Fisher精确检验对分类变量进行了二元分析，并对年龄使用t检验，以比较2022年7月至2023年12月期间被确定为合格和不合格的个体的评估。我们使用12个月的回顾期来识别诊断、症状负担、功能能力和医疗保健利用。由于样本量相对较小，我们首先使用CBPC评估作为分析单位，进行了一系列多变量逻辑回归分析，以确定诊断（模型1）、症状管理（模型2）、功能能力措施（模型3）和医疗保健利用（模型4）在多大程度上与最终CBPC资格判定相关。所有模型都控制了社会人口学因素和12个月死亡概率。然后，我们进行了一次最终的多变量逻辑回归模型，控制社会人口学特征、现有死亡率算法性能以及从模型1到4中统计上显著的因素。最后，为评估12个月死亡率模型按患者群体的性能，我们按诊断类别计算并比较了当前预测模型的AUROC。
结果
描述性统计和二元分析
在研究期间对322名独特MA计划成员进行的343次CBPC评估中，38%为认同为黑人的患者，38%为白人患者，9%为亚裔/太平洋岛民患者，15%为其他种族患者；41%为认同为西班牙裔/拉丁裔的患者；80%为女性患者；患者平均（SD）年龄为88.0（10.5）岁。其中，169次（49%）评估确定患者符合CBPC资格，174次（51%）评估确定患者不符合资格。
在二元分析中，被确定符合CBPC资格的个体比预期年轻（P < .001），但在其他社会人口学特征上没有差异。患有癌症、心血管疾病、COPD和ESKD的个体比预期更常被确定符合CBPC资格，而患有痴呆症的个体则比预期更常被确定不符合资格（P < .001）。接受疼痛和呼吸困难管理帮助的个体比预期更常被确定符合资格。有专业护理的个体比预期更常被确定符合资格（P = .002），经历过急诊科就诊（P = .001）或住院（P < .001）的个体比预期更常被确定符合资格。
多变量逻辑回归
展示了4个多变量逻辑回归模型的结果。这些模型控制了社会人口学因素和12个月死亡风险，并检验了姑息护理资格判定与临床医生指出的在做出这些判定时重要的因素之间的关联：诊断（模型1）、症状管理（模型2）、功能能力（模型3）和医疗保健利用（模型4）。在模型1中，痴呆症与获得姑息护理资格的几率降低54%相关（调整后的OR [AOR]，0.46；95% CI，0.26-0.79；P = .005）。在模型2中，呼吸困难和疼痛管理的帮助都与被确定符合姑息护理资格的几率提高97%相关。在模型3中，专业护理是5个功能能力措施中唯一与CBPC资格相关的，与CBPC资格的几率提高65%相关（AOR，1.65；95% CI，1.03-2.66；P = .036）。在模型4中，急诊科就诊和住院都与CBPC资格的较高几率相关。在包含模型1至4中所有统计上显著变量的多变量逻辑回归模型中，只有痴呆症与CBPC资格显著（且呈负向）相关——获得CBPC资格的几率降低54%（AOR，0.46；95% CI，0.27-0.77；P = .004）。没有社会人口学因素、症状管理、功能能力或医疗保健利用变量与资格判定相关。当前的12个月死亡率预测算法在任何回归模型中都不显著。
按疾病分类的模型性能
提供了通过疾病类别比较当前部署的机器学习算法性能（AUROC）的敏感性分析结果。尽管模型在不同疾病类别和性能指标上的表现有一些差异，但总体而言，死亡率算法很好地识别了符合CBPC资格的个体。AUROC（常用的模型拟合度衡量指标）在终末期肾病患者中为0.74（95% CI，0.71-0.77），在癌症患者中为0.83（95% CI，0.81-0.85）。
讨论
在一年内被确定为12个月死亡风险高并随后接受CBPC资格评估的MA计划成员的多样化样本中，343次评估中相对相等比例的评估被临床医生确定为符合（49%）和不符合（51%）服务资格。我们探索了临床医生指出的在做出CBPC资格判定时重要的因素与个体是否被确定符合CBPC资格之间的关联，超出了由为多样化人群服务的MA计划当前使用的12个月死亡率预测算法确定的死亡概率。在临床医生指出的对CBPC资格判定重要的因素中——诊断、症状管理、功能能力和医疗保健利用——只有痴呆症与个体被确定符合姑息护理资格相关（呈负向）。
这一发现表明，痴呆症与被临床医生确定为不符合CBPC资格相关，这与直觉相悖，因为死亡率预测模型对痴呆症患者的AUROC较高，先前的研究表明机器学习模型可以准确预测痴呆症患者的死亡率。然而，这与先前的研究一致，表明痴呆症患者可能未能充分利用CBPC。这可能表明错失了为这些个体提供支持的机会——他们的症状负担可能被低估，他们面临较高的死亡风险，是姑息护理的候选人——以及为他们的护理者提供支持的机会。CBPC资格流程应通过仔细考虑他们作为CBPC潜在受益者，关注痴呆症患者及其家庭的需求。
尽管临床医生将症状管理、功能能力和医疗保健利用确定为重要因素，但这些因素与临床医生的最终CBPC资格判定没有独立关联。然而，疼痛管理和急诊科就诊的P值确实表明与CBPC资格呈正相关。需要更多研究来确定需要多大的样本量才能进行充分统计效力的分析以显示显著的效应大小，这些因素应在未来的工作中被视为可能重要的因素。这一发现表明，临床医生所说的重要的因素与这些因素如何影响实际资格决定之间可能存在脱节。需要进一步研究以更好地了解临床医生对决策中哪些因素重要的看法与实际决策之间的关系。我们的研究结果还强调了临床医生在做出CBPC资格判定时，能够获取索赔数据中可能不明显的个人信息（如个体的症状负担和功能限制）的重要性。
在社会人口学因素中，年龄在除最终模型外的所有模型中都与临床医生的CBPC资格判定呈负相关——这是一个与直觉相悖的发现，因为老年人面临更高的死亡风险，往往有更高的疾病和症状负担以及更低的功能能力。然而，这与先前的文献一致，发现老年患者在获取初级和专科姑息护理时可能被忽视，特别是如果他们经历虚弱但没有明确的终末期诊断。可能是该算法使用12个月死亡率作为CBPC资格的代理，该资格需要进一步的临床评估，基于年龄较大来识别死亡风险高的个体。在进一步的临床评估后，这些个体可能被确定不符合CBPC资格，因为他们没有经历症状或其他诱发事件。
总体而言，12个月死亡率预测模型与资格判定无关，这表明尽管它可能是识别评估CBPC的个体的有用转诊机制，但它并未用于实际资格判定。
局限性
本研究有一些局限性。它是基于单一MA计划的资格标准和判定，可能无法推广到其他MA计划或CBPC计划。尽管我们用于分析的MA计划相对较小（4000名成员），但我们分析了研究期间接受CBPC资格评估的计划中注册个体的总体数据，为考虑如何将死亡率预测模型实施到临床决策中提供了起点。我们使用的样本也相对较小，无法充分探索临床决策中重要的因素数量。症状负担和功能能力水平在行政索赔数据中并未直接测量，我们对这两个概念的编码过程可能无法准确识别高症状负担和低功能能力的个体。
结论
越来越多的社区居住老年人患有严重且危及生命的疾病，可能从CBPC等持续服务中受益，以支持他们及其家庭护理者。患有痴呆症的个体——他们往往有延长的疾病轨迹并需要广泛的护理支持——可能面临被排除在CBPC服务之外的风险，而这些服务可能使他们能够安全地留在社区中。随着痴呆症老年人比例的持续增长，这是一个需要解决的重要人群。需要更多信息来更好地了解临床医生在做出CBPC资格判定时使用的机制，特别是当他们指出的决策中重要因素与这些因素如何与实际决策相关之间存在不匹配时。
作者所属机构： 罗格斯大学健康、健康护理政策和老龄化研究所，新泽西州新不伦瑞克；VNS Health，纽约州纽约；宾夕法尼亚大学护理学院，宾夕法尼亚州费城。
资金来源： 本研究得到了美国国立卫生研究院国家推进转化科学中心的试点资助，资助编号为UL1TR003017。
作者披露： 作者报告与可能与本文主题存在利益冲突的任何实体均无关系或财务利益。
作者贡献： 概念和设计（EAL，CB，KB）；数据获取（CB）；数据分析和解释（EAL，CB，KB）；手稿起草（EAL，CB，KB）；对手稿进行重要知识内容的批判性修订（EAL，CB，KB）；统计分析（CB）；资金获取（EAL）。
通讯地址： 伊丽莎白·A·卢斯，博士，罗格斯大学，303 George St, 新不伦瑞克, NJ 08901。电子邮件：eluth@rwjms.rutgers.edu。
【全文结束】
