引用本文： 楊曉, 周會蘭, 王玲, 方杰, 楊茂凡, 陳柯宇, 高杰. 重返ICU風險預測模型的系統評價. 中國循證醫學雜志, 2023, 23(1): 67-74. doi: 10.7507/1672-2531.202207148 復制
重返重癥監護室（intensive care unit，ICU）是指患者因各種原因導致病情反復或加重需再次返回ICU治療[1]。因重返ICU間隔時間無統一標準，其發生率為0.8%～19.8%，存在較大差異[2-3]。ICU重返率不僅是衡量三級綜合醫院醫療質量的重要指標之一，也是重癥護理領域護理質量評價的敏感指標[4]。重返ICU不僅會使患者出現不同程度的并發癥[5]，延長住院時間，增加死亡率，還會加重其經濟壓力和醫療衛生系統人力資源負擔[6]。有研究表明，超過10%的患者重返ICU是可預防的[7]，但有效預防的前提是對重返ICU的風險進行評價，并根據患者重返ICU風險大小給予有針對性的干預措施。目前，將患者轉出ICU的決定受醫生對患者病情轉歸判斷、可用ICU床位數量、家庭成員的決策、提高住院患者周轉率等相關因素的影響[8]，一些具有高風險的患者因提早轉出而需要重返ICU治療。重返ICU風險預測模型作為評價和篩查高風險人群的工具，有助于指導ICU醫務人員有效篩查、識別重返ICU人群，提高重返ICU預警意識，降低ICU重返率。國外自2008年起便開展了10余個構建重返ICU風險預測模型的研究，而我國自2019年至今僅發表了4個研究。各研究間質量和結果不一且尚無研究對重返ICU預測模型進行系統評價。因此，本研究對國內外有關重返ICU風險預測模型進行系統評價，以期為相關預測模型的構建、應用和優化提供參考依據。
1 資料與方法
1.1 納入與排除標準
1.1.1 研究類型
隊列研究、病例-對照研究和橫斷面研究。
1.1.2 研究對象
ICU住院時間≥24小時的患者，從ICU轉出后24小時、48小時、7天或同一住院期間重返ICU。
1.1.3 研究內容
重返ICU風險預測模型的構建，及模型的建立過程。
1.1.4 排除標準
① 非中、英文文獻；② 不能獲取原文或數據不完整；③ 重復發表的研究；④ 模型包含的預測變量<2個。
1.2 文獻檢索策略
計算機檢索CNKI、WanFang Data、VIP、CBM、PubMed、EMbase、Web of Science和The Cochrane Library數據庫，搜集有關重返ICU風險預測模型的研究，檢索時限均為建庫至2022年6月12日。檢索采用主題詞與自由詞相結合的方式進行，并根據各數據庫特點進行調整。同時檢索納入研究的參考文獻，以補充獲取相關資料。英文檢索詞包括：readmissions、readmi*、return*、reback*、intensive care unit、ICU、model*、prediction model、prognostic model、prognos*、risk factor*等；中文檢索詞包括：重返、重回、危重癥、重癥護理、重癥監護室、ICU、模型、預測模型、預測、危險因素等。以PubMed為例，其具體檢索策略見框1。
圖
1.3 文獻篩選與資料提取
由2名研究者獨立篩選文獻、提取資料并交叉核對。如有分歧，則通過討論或與第三方協商解決。文獻篩選時首先閱讀文題，在排除明顯不相關的文獻后，進一步閱讀摘要和全文以確定是否納入。如有需要，通過郵件、電話聯系原始研究作者獲取未確定但對本研究非常重要的信息。資料提取內容包括：第一作者、發表年份、國家、研究類型、ICU類型、預測結果、候選變量、樣本量、缺失數據、建立模型方法、變量選擇、受試者工作曲線下面積（area under receiver operator characteristic curve，AUROC）、驗證方法、模型呈現形式和最終包含的預測因子。
1.4 納入研究的偏倚風險評價
由2名研究者獨立評價納入研究的偏倚風險，并交叉核對結果。偏倚風險評價采用預測模型研究的偏倚風險評價工具（prediction model risk of bias assessment tool，PROBAST）[9]。
1.5 統計分析
采用定性系統評價方法對納入研究特征和結果進行分析。
2 結果
2.1 文獻篩選流程及結果
初檢共獲得相關文獻1 318篇，經逐層篩選，最終納入15個研究[10-24]。文獻篩選流程及結果見圖1。
圖1
文獻篩選流程及結果
*所檢索數據庫及檢出文獻具體如下：CNKI（
2.2 納入研究的基本特征和偏倚風險評價結果
納入研究的基本特征見表1。納入研究的偏倚風險評價結果見表2。
表1
納入研究的基本特征
表2
納入研究的偏倚風險評價結果
2.3 納入模型的建立情況
納入研究共報告了23個重返ICU風險預測模型。各研究的候選預測變量數為9～180個。有5個研究[11,14,19,21,24]將連續性變量轉換成了二分類變量。模型建立方法方面，11個研究[10-11,13,18-24]只采用Logistic回歸方法建模，1個研究[15]采用Logistic回歸與梯度提升決策樹2種方法，1個研究[12]采用Logistic回歸、隨機森林、集成學習提升、梯度提升決策樹4種方法，1個研究[17]采用Logistic回歸、梯度提升、隨機森林、支持向量機、輕量級梯度提升5種方法。9個研究[12-13,15,17-18,20-21,23-24]僅進行內部驗證，2個研究[10,16]僅進行外部驗證，2個研究[14,22]采用內部驗證和外部驗證相結合的方式對模型進行評價，2個研究[11,19]未對模型進行驗證。23個模型AUROC為0.609～0.924，8個研究[10,13-14,16,18,22-24]報告了模型驗證的AUROC為0.608～0.806。有2個研究[14,19]僅報告了區分度指標，而未報告校準度指標。模型最終呈現形式也不盡相同，有4個研究[16,19,23-24]以風險評分的方式呈現結果，3個研究[10,12-13]得出了計算重返ICU發生率的公式，4個研究[11,18,20-21]以列線圖的方式呈現。模型的建立情況見表3。
表3
重返ICU預測模型的建立情況
2.4 納入模型的預測因子
23個預測模型包含4～91個預測因子。其中9個模型無法獲取具體納入的預測因子，14個模型出現頻率前20的預測因子見圖2。出現頻次較高的前5個預測因子依次為：年齡、ICU住院時長、心率、呼吸和入科診斷。
圖2
重返ICU預測模型出現頻次前20的預測因子
3 討論
本研究共納入15個研究，包括23個預測模型。其中9個為模型開發研究，6個為模型開發與驗證研究。23個預測模型的AUROC為0.609～0.924，其中20個預測模型的AUROC>0.7，說明以上模型具有較好的預測性能。國外學者較早開始探索重返ICU風險預測模型，雖已開展多個研究，但多數為單中心、回顧性研究，缺乏外部驗證，且因文化差異等因素影響，是否適用于我國患者有待商榷。
Gajic等[22]于2008年構建的重返ICU風險預測模型SWFIT評分是最早且較常用的風險預測模型，在多個研究中[14,16,18,20]被進一步驗證并與其他預測模型的預測性能進行比較。Rojas等[14]基于機器學習方法構建的模型預測的預測性能（AUROC：0.76）較SWFIT評分（AUROC：0.65）好。同樣，Desautels等[16]、Martin等[18]和Frost等[20]所構建的預測模型預測性能均優于SWFIT評分。可見，由于醫學科技的進步，早期的預測模型由于未進行進一步的校準與更新可能并不適用于現在的臨床實踐，應充分結合實際情況慎重選擇模型。
風險預測模型的質量由研究設計類型、建模方法、統計分析多個方面決定。本研究納入的15個研究偏倚風險均為高風險，主要與以下方面有關：在研究設計方面，9個研究[12-15,17-18,20,23-24]為回顧性隊列研究，3個研究[10-11,19]為病例-對照研究，1個研究[16]為橫斷面研究。有研究[25]認為利用已有數據進行預測模型的構建，不一定能較好地滿足模型研究需要，可能形成選擇偏倚和回憶偏倚，降低研究質量。在建模方法方面，13個預測模型采用Logistic回歸方法建模，平均AUROC為0.794。10個預測模型采用不同機器學習方法建模，平均AUROC為0.797。機器學習作為人工智能學習方法的一個重要分支，可對海量數據的輸入特征進行分析，自主學習并做出推斷與預測[26]。有3個研究同時采用Logistic回歸和機器學習方法構建風險預測模型。其中，在Thoral等[17]的研究中，包含了107個預測因子的Logistic回歸模型（AUROC：0.783）預測性能稍高于機器學習模型預測性能（梯度提升AUROC：0.78；隨機森林AUROC：0.78）。然而，林瑜等[12]采用基于機器學習的三種集成學習算法（隨機森林、自適應提升算法、梯度提升決策樹）和Logistic回歸方法構建了4個重返ICU風險預測模型，結果顯示，機器學習模型的預測性能（隨機森林AUROC：0.827；自適應提升算法AUROC：0.851；梯度提升決策樹AUROC：0.858）優于Logistic回歸(AUROC：0.81)。同樣，Pakbin等[15]采用梯度下降增強方法構建的集成樹模型預測性能（AUROC：0.84）也高于Logistic回歸模型（AUROC：0.81）。可見，Logistic回歸法與機器學習法在不同的數據集里可產生不同的結果，尚不能確定采用哪種方法構建的預測模型更好。因此，建立模型方法的選擇上除了傳統Logistic回歸方法外，還可在臨床實踐的基礎上借助人工智能等方法提高模型的科學性。在統計分析方面，所有研究均為高風險，主要原因包括預測模型樣本量缺乏、將連續性變量轉化成≥2類別的變量、忽略缺失數據、根據單因素分析結果篩選預測因子、預測模型的性能評估缺乏評判指標、未對模型進行驗證。在構建風險預測模型的樣本量方面，3個研究[11,18,23]在模型開發中樣本量不足，2個研究[10,22]模型驗證樣本量不足。對于模型開發研究，為防止模型出現過度擬合，每個變量所對應的事件發生數應≥20[27]，對于模型驗證研究，結果事件<100可能會造成偏倚[28]。5個研究[11,14,19,21,24]將連續性變量轉化為二分類變量，降低了模型的預測能力，在分析數據時，連續性變量盡量不要轉為二分類變量，否則應補充內部驗證和收縮回歸系數以調整過度擬合[29]。12個研究[12-20,22-24]存在缺失數據，對于缺失數據的處理，1個研究[23]直接刪除了缺失數據，8個研究[11,14,16-20,22]未明確提及處理缺失數據的方法，直接刪除缺失數據的處理方法可能會導致納入分析的都是極端值，可采用多重插補等方法處理刪失數據。Gajic等[22]采用單因素分析篩選變量，會因自變量間的共線性等問題造成有效預測因子的丟失，特別是當結局事件過少、結局事件數/待篩選變量數比值過小時，過度擬合問題更為突出，變量的篩選應根據臨床知識、測量成本、預測因素的可靠性和適用性確定篩選方法[30]。在模型性能評估方面，3個研究[11,14,19]僅報告區分度，未評估校準度。現有預測模型偏倚風險較高，在以后的研究中可參考PROBAST[9]中的相關條目，通過嚴謹的研究設計實現高質量預測模型的構建。
另外，納入研究中2個研究場所為專科ICU。其中，郝芳芳等[11]以肝膽胰術后ICU患者為研究對象構建的重返ICU預測模型預測效能最好（AUROC：0.924），其次為徐劍鋒[21]等以心胸外科ICU患者為研究對象的重返ICU預測模型（AUROC：0.894）。但以上兩個模型尚未進行外部驗證，其外推性有待進一步研究。Badawi等[13]將在來自不同類型ICU的469 976名患者構建的重返ICU預測模型分別在7個不同類型的ICU患者中進一步驗證，7個ICU的實際重返ICU患者數與預測重返ICU患者數的比值范圍在0.96～1.12，可見，該模型在不同類型ICU的預測精準度差異不大。ICU患者病種復雜，未來可將研究對象聚焦于單一類型的ICU患者，并需加強對不同類型ICU患者重返ICU影響因素的研究，以構建具有專科性的重返ICU預測模型，也可構建適用ICU類型廣且有較好預測效能的高質量預測模型。
由于研究類型和納入變量的差異，各研究所納入的預測因子不盡相同，但本研究發現各研究的預測因子存在一定共性。本研究對出現頻率較高的5個風險預測因子（年齡、ICU住院時長、心率、呼吸、入科診斷）進行探討。8個模型將年齡納入模型的預測因子，對于兒童患者，年齡越小，重返ICU發生風險越高，可能與患兒年齡過小、免疫力低、并發感染等風險較高有關。對于成年患者，高齡患者重返ICU風險高，可能因合并多種疾病且機體免疫力低下，易發生壓瘡、呼吸機相關肺炎等并發癥，疾病恢復相對較為緩慢，進而增加重返ICU的風險，與周娥等[8]研究結果一致。但由于研究對象不同，年齡在不同研究中的臨界值不同。ICU住院時間長說明患者病情危重且復雜，ICU相關并發癥發生幾率大，此類患者重返ICU風險高。心率在不同研究中分為出院前24小時心率>100次/min或<50次/min、心率最大值、心率最小值及心率變異性，因此，研究間的異質性較大。呼吸也是納入較多的預測因子，但不同的研究中包含了呼吸變異性、平均呼吸次數、出院前24小時呼吸次數。研究顯示，入科診斷為呼吸系統疾病的患者因轉出后的環境改變無法保持呼吸功能，重返ICU風險增加[10,19]。另外，Haribhakti等[23]認為入院診斷為膿毒癥的患者重返ICU風險高，膿毒癥的患者伴多處感染病灶，可致全身器官功能及循環障礙。因此，醫務工作者應針對ICU高齡患者及低齡的兒童患者、ICU住院時間長、轉出前24小時呼吸和心率異常患者、入科診斷為呼吸系統疾病及膿毒癥的患者給予更多的關注，以早期識別重返ICU的風險。
本研究的局限性：① 本研究僅納入了可檢索到的中、英文文獻，可能存在發表偏倚；② 由于不同研究的納入標準、研究設計存在差異，導致僅對研究結果做定性分析，未做定量分析；③ 本研究納入模型的結局指標定義及適用對象存在一定的異質性，重返ICU發生率在不同定義及人群間存在一定差異。
綜上所述，重返ICU風險預測模型的整體預測性能較好，但研究類型及結局指標存在差異，模型的臨床價值有待進一步研究。
重返重癥監護室（intensive care unit，ICU）是指患者因各種原因導致病情反復或加重需再次返回ICU治療[1]。因重返ICU間隔時間無統一標準，其發生率為0.8%～19.8%，存在較大差異[2-3]。ICU重返率不僅是衡量三級綜合醫院醫療質量的重要指標之一，也是重癥護理領域護理質量評價的敏感指標[4]。重返ICU不僅會使患者出現不同程度的并發癥[5]，延長住院時間，增加死亡率，還會加重其經濟壓力和醫療衛生系統人力資源負擔[6]。有研究表明，超過10%的患者重返ICU是可預防的[7]，但有效預防的前提是對重返ICU的風險進行評價，并根據患者重返ICU風險大小給予有針對性的干預措施。目前，將患者轉出ICU的決定受醫生對患者病情轉歸判斷、可用ICU床位數量、家庭成員的決策、提高住院患者周轉率等相關因素的影響[8]，一些具有高風險的患者因提早轉出而需要重返ICU治療。重返ICU風險預測模型作為評價和篩查高風險人群的工具，有助于指導ICU醫務人員有效篩查、識別重返ICU人群，提高重返ICU預警意識，降低ICU重返率。國外自2008年起便開展了10余個構建重返ICU風險預測模型的研究，而我國自2019年至今僅發表了4個研究。各研究間質量和結果不一且尚無研究對重返ICU預測模型進行系統評價。因此，本研究對國內外有關重返ICU風險預測模型進行系統評價，以期為相關預測模型的構建、應用和優化提供參考依據。
1 資料與方法
1.1 納入與排除標準
1.1.1 研究類型
隊列研究、病例-對照研究和橫斷面研究。
1.1.2 研究對象
ICU住院時間≥24小時的患者，從ICU轉出后24小時、48小時、7天或同一住院期間重返ICU。
1.1.3 研究內容
重返ICU風險預測模型的構建，及模型的建立過程。
1.1.4 排除標準
① 非中、英文文獻；② 不能獲取原文或數據不完整；③ 重復發表的研究；④ 模型包含的預測變量<2個。
1.2 文獻檢索策略
計算機檢索CNKI、WanFang Data、VIP、CBM、PubMed、EMbase、Web of Science和The Cochrane Library數據庫，搜集有關重返ICU風險預測模型的研究，檢索時限均為建庫至2022年6月12日。檢索采用主題詞與自由詞相結合的方式進行，并根據各數據庫特點進行調整。同時檢索納入研究的參考文獻，以補充獲取相關資料。英文檢索詞包括：readmissions、readmi*、return*、reback*、intensive care unit、ICU、model*、prediction model、prognostic model、prognos*、risk factor*等；中文檢索詞包括：重返、重回、危重癥、重癥護理、重癥監護室、ICU、模型、預測模型、預測、危險因素等。以PubMed為例，其具體檢索策略見框1。
圖
1.3 文獻篩選與資料提取
由2名研究者獨立篩選文獻、提取資料并交叉核對。如有分歧，則通過討論或與第三方協商解決。文獻篩選時首先閱讀文題，在排除明顯不相關的文獻后，進一步閱讀摘要和全文以確定是否納入。如有需要，通過郵件、電話聯系原始研究作者獲取未確定但對本研究非常重要的信息。資料提取內容包括：第一作者、發表年份、國家、研究類型、ICU類型、預測結果、候選變量、樣本量、缺失數據、建立模型方法、變量選擇、受試者工作曲線下面積（area under receiver operator characteristic curve，AUROC）、驗證方法、模型呈現形式和最終包含的預測因子。
1.4 納入研究的偏倚風險評價
由2名研究者獨立評價納入研究的偏倚風險，并交叉核對結果。偏倚風險評價采用預測模型研究的偏倚風險評價工具（prediction model risk of bias assessment tool，PROBAST）[9]。
1.5 統計分析
采用定性系統評價方法對納入研究特征和結果進行分析。
2 結果
2.1 文獻篩選流程及結果
初檢共獲得相關文獻1 318篇，經逐層篩選，最終納入15個研究[10-24]。文獻篩選流程及結果見圖1。
圖1
文獻篩選流程及結果
*所檢索數據庫及檢出文獻具體如下：CNKI（
2.2 納入研究的基本特征和偏倚風險評價結果
納入研究的基本特征見表1。納入研究的偏倚風險評價結果見表2。
表1
納入研究的基本特征
表2
納入研究的偏倚風險評價結果
2.3 納入模型的建立情況
納入研究共報告了23個重返ICU風險預測模型。各研究的候選預測變量數為9～180個。有5個研究[11,14,19,21,24]將連續性變量轉換成了二分類變量。模型建立方法方面，11個研究[10-11,13,18-24]只采用Logistic回歸方法建模，1個研究[15]采用Logistic回歸與梯度提升決策樹2種方法，1個研究[12]采用Logistic回歸、隨機森林、集成學習提升、梯度提升決策樹4種方法，1個研究[17]采用Logistic回歸、梯度提升、隨機森林、支持向量機、輕量級梯度提升5種方法。9個研究[12-13,15,17-18,20-21,23-24]僅進行內部驗證，2個研究[10,16]僅進行外部驗證，2個研究[14,22]采用內部驗證和外部驗證相結合的方式對模型進行評價，2個研究[11,19]未對模型進行驗證。23個模型AUROC為0.609～0.924，8個研究[10,13-14,16,18,22-24]報告了模型驗證的AUROC為0.608～0.806。有2個研究[14,19]僅報告了區分度指標，而未報告校準度指標。模型最終呈現形式也不盡相同，有4個研究[16,19,23-24]以風險評分的方式呈現結果，3個研究[10,12-13]得出了計算重返ICU發生率的公式，4個研究[11,18,20-21]以列線圖的方式呈現。模型的建立情況見表3。
表3
重返ICU預測模型的建立情況
2.4 納入模型的預測因子
23個預測模型包含4～91個預測因子。其中9個模型無法獲取具體納入的預測因子，14個模型出現頻率前20的預測因子見圖2。出現頻次較高的前5個預測因子依次為：年齡、ICU住院時長、心率、呼吸和入科診斷。
圖2
重返ICU預測模型出現頻次前20的預測因子
3 討論
本研究共納入15個研究，包括23個預測模型。其中9個為模型開發研究，6個為模型開發與驗證研究。23個預測模型的AUROC為0.609～0.924，其中20個預測模型的AUROC>0.7，說明以上模型具有較好的預測性能。國外學者較早開始探索重返ICU風險預測模型，雖已開展多個研究，但多數為單中心、回顧性研究，缺乏外部驗證，且因文化差異等因素影響，是否適用于我國患者有待商榷。
Gajic等[22]于2008年構建的重返ICU風險預測模型SWFIT評分是最早且較常用的風險預測模型，在多個研究中[14,16,18,20]被進一步驗證并與其他預測模型的預測性能進行比較。Rojas等[14]基于機器學習方法構建的模型預測的預測性能（AUROC：0.76）較SWFIT評分（AUROC：0.65）好。同樣，Desautels等[16]、Martin等[18]和Frost等[20]所構建的預測模型預測性能均優于SWFIT評分。可見，由于醫學科技的進步，早期的預測模型由于未進行進一步的校準與更新可能并不適用于現在的臨床實踐，應充分結合實際情況慎重選擇模型。
風險預測模型的質量由研究設計類型、建模方法、統計分析多個方面決定。本研究納入的15個研究偏倚風險均為高風險，主要與以下方面有關：在研究設計方面，9個研究[12-15,17-18,20,23-24]為回顧性隊列研究，3個研究[10-11,19]為病例-對照研究，1個研究[16]為橫斷面研究。有研究[25]認為利用已有數據進行預測模型的構建，不一定能較好地滿足模型研究需要，可能形成選擇偏倚和回憶偏倚，降低研究質量。在建模方法方面，13個預測模型采用Logistic回歸方法建模，平均AUROC為0.794。10個預測模型采用不同機器學習方法建模，平均AUROC為0.797。機器學習作為人工智能學習方法的一個重要分支，可對海量數據的輸入特征進行分析，自主學習并做出推斷與預測[26]。有3個研究同時采用Logistic回歸和機器學習方法構建風險預測模型。其中，在Thoral等[17]的研究中，包含了107個預測因子的Logistic回歸模型（AUROC：0.783）預測性能稍高于機器學習模型預測性能（梯度提升AUROC：0.78；隨機森林AUROC：0.78）。然而，林瑜等[12]采用基于機器學習的三種集成學習算法（隨機森林、自適應提升算法、梯度提升決策樹）和Logistic回歸方法構建了4個重返ICU風險預測模型，結果顯示，機器學習模型的預測性能（隨機森林AUROC：0.827；自適應提升算法AUROC：0.851；梯度提升決策樹AUROC：0.858）優于Logistic回歸(AUROC：0.81)。同樣，Pakbin等[15]采用梯度下降增強方法構建的集成樹模型預測性能（AUROC：0.84）也高于Logistic回歸模型（AUROC：0.81）。可見，Logistic回歸法與機器學習法在不同的數據集里可產生不同的結果，尚不能確定采用哪種方法構建的預測模型更好。因此，建立模型方法的選擇上除了傳統Logistic回歸方法外，還可在臨床實踐的基礎上借助人工智能等方法提高模型的科學性。在統計分析方面，所有研究均為高風險，主要原因包括預測模型樣本量缺乏、將連續性變量轉化成≥2類別的變量、忽略缺失數據、根據單因素分析結果篩選預測因子、預測模型的性能評估缺乏評判指標、未對模型進行驗證。在構建風險預測模型的樣本量方面，3個研究[11,18,23]在模型開發中樣本量不足，2個研究[10,22]模型驗證樣本量不足。對于模型開發研究，為防止模型出現過度擬合，每個變量所對應的事件發生數應≥20[27]，對于模型驗證研究，結果事件<100可能會造成偏倚[28]。5個研究[11,14,19,21,24]將連續性變量轉化為二分類變量，降低了模型的預測能力，在分析數據時，連續性變量盡量不要轉為二分類變量，否則應補充內部驗證和收縮回歸系數以調整過度擬合[29]。12個研究[12-20,22-24]存在缺失數據，對于缺失數據的處理，1個研究[23]直接刪除了缺失數據，8個研究[11,14,16-20,22]未明確提及處理缺失數據的方法，直接刪除缺失數據的處理方法可能會導致納入分析的都是極端值，可采用多重插補等方法處理刪失數據。Gajic等[22]采用單因素分析篩選變量，會因自變量間的共線性等問題造成有效預測因子的丟失，特別是當結局事件過少、結局事件數/待篩選變量數比值過小時，過度擬合問題更為突出，變量的篩選應根據臨床知識、測量成本、預測因素的可靠性和適用性確定篩選方法[30]。在模型性能評估方面，3個研究[11,14,19]僅報告區分度，未評估校準度。現有預測模型偏倚風險較高，在以后的研究中可參考PROBAST[9]中的相關條目，通過嚴謹的研究設計實現高質量預測模型的構建。
另外，納入研究中2個研究場所為專科ICU。其中，郝芳芳等[11]以肝膽胰術后ICU患者為研究對象構建的重返ICU預測模型預測效能最好（AUROC：0.924），其次為徐劍鋒[21]等以心胸外科ICU患者為研究對象的重返ICU預測模型（AUROC：0.894）。但以上兩個模型尚未進行外部驗證，其外推性有待進一步研究。Badawi等[13]將在來自不同類型ICU的469 976名患者構建的重返ICU預測模型分別在7個不同類型的ICU患者中進一步驗證，7個ICU的實際重返ICU患者數與預測重返ICU患者數的比值范圍在0.96～1.12，可見，該模型在不同類型ICU的預測精準度差異不大。ICU患者病種復雜，未來可將研究對象聚焦于單一類型的ICU患者，并需加強對不同類型ICU患者重返ICU影響因素的研究，以構建具有專科性的重返ICU預測模型，也可構建適用ICU類型廣且有較好預測效能的高質量預測模型。
由于研究類型和納入變量的差異，各研究所納入的預測因子不盡相同，但本研究發現各研究的預測因子存在一定共性。本研究對出現頻率較高的5個風險預測因子（年齡、ICU住院時長、心率、呼吸、入科診斷）進行探討。8個模型將年齡納入模型的預測因子，對于兒童患者，年齡越小，重返ICU發生風險越高，可能與患兒年齡過小、免疫力低、并發感染等風險較高有關。對于成年患者，高齡患者重返ICU風險高，可能因合并多種疾病且機體免疫力低下，易發生壓瘡、呼吸機相關肺炎等并發癥，疾病恢復相對較為緩慢，進而增加重返ICU的風險，與周娥等[8]研究結果一致。但由于研究對象不同，年齡在不同研究中的臨界值不同。ICU住院時間長說明患者病情危重且復雜，ICU相關并發癥發生幾率大，此類患者重返ICU風險高。心率在不同研究中分為出院前24小時心率>100次/min或<50次/min、心率最大值、心率最小值及心率變異性，因此，研究間的異質性較大。呼吸也是納入較多的預測因子，但不同的研究中包含了呼吸變異性、平均呼吸次數、出院前24小時呼吸次數。研究顯示，入科診斷為呼吸系統疾病的患者因轉出后的環境改變無法保持呼吸功能，重返ICU風險增加[10,19]。另外，Haribhakti等[23]認為入院診斷為膿毒癥的患者重返ICU風險高，膿毒癥的患者伴多處感染病灶，可致全身器官功能及循環障礙。因此，醫務工作者應針對ICU高齡患者及低齡的兒童患者、ICU住院時間長、轉出前24小時呼吸和心率異常患者、入科診斷為呼吸系統疾病及膿毒癥的患者給予更多的關注，以早期識別重返ICU的風險。
本研究的局限性：① 本研究僅納入了可檢索到的中、英文文獻，可能存在發表偏倚；② 由于不同研究的納入標準、研究設計存在差異，導致僅對研究結果做定性分析，未做定量分析；③ 本研究納入模型的結局指標定義及適用對象存在一定的異質性，重返ICU發生率在不同定義及人群間存在一定差異。
綜上所述，重返ICU風險預測模型的整體預測性能較好，但研究類型及結局指標存在差異，模型的臨床價值有待進一步研究。
