根据世界卫生组织(WHO)的定义，跌倒被定义为“无意中落在地面、地板或其他较低的地方，但不包括有意改变落在家具、墙壁或其他物体上的位置”。研究普遍认为造成跌倒的原因是多样的，即它们有与患者相关的风险因素(内在的)，也有与环境和工作流流程相关的风险因素(外在的)。在此之前的研究不仅指出了内在的危险因素(如精神状态的改变、跌倒史、行走辅助的需要、视力的变化等)，而且还指出了外在的危险因素(环境:低照度、床高、滑面等);工作流程:工作需求、缺少护理人员、用药数量等。
因此，建议使用预测风险模型来识别这些风险因素之间的复杂关系，以及如何识别和评估它们，从而采取更有效的预防措施。所以构建和验证新模型预测成年住院患者跌倒的发生非常重要,可以帮助临床护士来降低病人跌倒的风险。
研究设计及研究对象
这是一项匹配的病例对照研究，比较病例及其对照之间的预测变量，以确定与跌倒相关的变量。研究人群为11个医院病房的成人临床和外科患者。对于在数据收集期间跌倒不止一次的患者，只考虑第一次事件。
研究过程
1、收集数据
根据研究方案，所有跌倒的患者在跌倒后72小时内被纳入研究。数据直接从患者、电子病历、医院跌倒风险量表和医院跌倒特征机构表中收集。后者包括触发事件的因素和跌倒前患者的临床情况。为规范患者评价，数据采集组还进行了定时行走检测。并且，对跌倒事件的评估和数据收集和报告是共同进行的。
2、变量和测量
研究变量是根据先前文献综述中发现的临床和流行病学相关性的标准预定义的。对每个感兴趣的变量都作了概念和业务定义，并在以前关于跌倒危险因素的研究中提出跌倒的相关因素。
3、数据分析
研究采用SPSS 18.0版(统计分析系统，芝加哥，美国)随机抽样(在检验和验证样本之间)，以配对的病例-对照(每个病例都有各自的对照)的方式进行检验和验证样本的分布，以防止时间和选择偏差。因此，三分之二的患者被用于检测，三分之一的患者被用于验证。在描述性分析步骤中，对所有变量进行分析，以识别和纠正异常值和缺失的数据。
正态分布连续变量表示为均值、标准差和置信区间(95% CI)，不对称变量表示为中值和四分位数范围。使用直方图来评估变量是否正态分布。分类变量用百分比和绝对值表示。建模过程仅使用来自测试样本的数据。
采用条件logistic回归分析预测变量与下降量之间的关系。一些来自单变量逻辑回归(测试样本)的数据在之前的一项研究中被提出，该研究确定了住院成人患者的下降预测因子。
通过卡方计算对连续变量进行线性检验。为了验证，对测试和验证样本之间的变量性能进行了比较。评分系统由回归得到的OR值构建。
准确性采用c指数进行评估，敏感性、特异性、阳性预测值和阴性预测值采用Win PEPI (PEPI for windows)统计软件包计算。校准是通过比较一组的子组预测和观察到的平均响应，以及验证样本中预测概率的五分位数来计算的。
结果
研究筛选了544例符合条件的病例(图1)。研究的最终分析包括536例患者，268例和268例对照，随机分为测试(N-358例[179例和179例对照])和验证(N-178例[89例和89例对照])样本。
1、跌倒的患者(病例)及其特点
在检验和验证样本中，男性患者的患病率更高(分别为57% [N = 204]和58.4% [N = 104])，平均年龄分别为57.3岁和59.1岁。实验样本的住院天数中位数为12天(5天至20天)，验证样本的住院天数中位数为11天(6天至18天)。在测试样本中，116例(64.8%)和73例(40.7%)的对照者在研究完成时没有护理人员，而在验证样本中，58例(65.1%)和40例(44.9%)的对照者没有护理人员。
2、测试样本的单变量logistic回归
选择初始回归中18个足够显著的变量(p <0.25，上CI <8.0和/或下CI >.025)。然而，其他临床/科学上重要的变量没有被排除，因为回归模型在单变量分析中可能有不同的结果，即在存在其他协变量的情况下，一个变量在统计上可能变得显著。
3、从获得的优势比中进行多元逻辑回归和风险因素权重
随后，在条件多元logistic回归中，采用倒向方法，直到只剩下p值<0.05的变量。为了建模的目的，在单变量阶段选择10个临床和科学上重要的变量，无论p值如何，在多变量模型中进行测试。判别最好的结果为SAK (Severo-Almeida-Kuchenbecker)跌倒量表，由p值<0.05的变量构成，与前一次下降的跌倒相关(不显著)，如表3所示:
4、在实验(n = 358)和验证(n = 178)样本中，SAK下降量表的预测特性
评分系统考虑了预测事件发生概率的最佳临界点，截止点分别为0.44和0.54。
SAK下降量表显示了足够的准确度值（C指数0.681[95%置信区间：0.602-0.760]）和校准（P=0.132）。最低分为0分，最高分为24分（考虑到最多8种药物）表4描述了测试和验证样本中SAK下降量表的诊断属性。
结论
（1）研究的结果使得包含与患者和护理环境相关的独立跌倒风险变量的预测模型的构建和验证成为可能。该量表包括其他模型中没有考虑的变量，如内在因素的术后状态、事件前用药的数量(最多72小时)和外在因素的缺乏护理人员。
（2）该模型考虑临床相关的，以及统计上显著的变量，包括:定向障碍和/或混淆;尿频;行走的局限性;之前的下跌;秋季前用药次数(最多72小时);术后状态及缺少护理人员，具有可接受的诊断价值(表4)。
（3）经过验证的SAK跌倒量表包括内在(患者)变量和外在变量(缺少护理人员和药物数量)，因此不同于当前的其他量表。基于该量表的可行性和易用性(如床边应用)，使得研究结果对医院卫生保健服务的临床实践，特别是那些治疗临床和外科患者的医疗保健服务具有启示意义。在临床实践中，该量表可以告知临床护理决策，并显示外部变量如何影响卫生保健实践。
（4）SAK跌倒量表也强调了护士临床判断的重要性，通过新的预测模型更准确地诊断跌倒风险，一旦建立，可以指导事件预防和患者安全的有效干预措施的规划和实施。
（5）在教学中，模型是刺激学生批判性思维的工具，有助于他们在识别有潜在跌倒风险的病人时做出临床判断。此外，它们可以促进更健壮的研究设计，刺激未来的调查和关于风险评分发展的新假设，其中最大的结果是患者的安全。
参考文献：
[1] Severo I M, Kuchenbecker R, Vieira D F V B, et al. A predictive model for fall risk in hospitalized adults: A case–control study[J]. Journal of Advanced Nursing, 2019,75(3):563-572.
征 稿
我们是一个怀揣好奇与激情的科研团队
我们渴望发掘分享护理知识
我们相信
这个世界不会亏待努力的“年轻人”
稿件类型：① 有关专科护理、专科实践的文章
② 各科室医护人员日常工作中发生的有趣小故事
（风格不限）
稿费100-500元不等
投稿、授权等请联系
NursingCare01@126.com
好看麻烦点赞(づ｡◕ᴗᴗ◕｡)づ！
联系客服
