Memprediksi berat Pneumonia Hasil

pada Anak
Derek J. Williams, MD, MPH, Sebuah Yuwei Zhu, MD, MS, b Carlos G. Grijalva, MD, MPH, c Wesley H. Diri, MD, MPH, d
Frank E. Harrell Jr, PhD, b Carrie Reed, DSc, e Chris Stockmann, PhD, MSc, f Sandra R. Arnold, MD, MSc, g
Krow K. Ampofo, MD, f Evan J. Anderson, MD, h Anna M. Bramley, MPH, e Richard G. Wunderink, MD, saya
Jonathan A. McCullers, MD, g Andrew T. Pavia, MD, f Seema Jain, MD, e Kathryn M. Edwards, MD Sebuah

LATAR BELAKANG: morbiditas substansial dan variasi perawatan yang berlebihan dilihat dengan pneumonia anak. alat abstrak
risiko-stratifikasi akurat untuk memandu pengambilan keputusan klinis yang diperlukan.

METODE: Kami mengembangkan model risiko untuk memprediksi hasil pneumonia berat pada anak-anak (<18 tahun)
dengan menggunakan data dari Etiologi Pneumonia di dalam Komunitas Studi, penelitian prospektif rawat inap
pneumonia dilakukan di 3 kota AS dari Januari 2010 hingga Juni 2012. di rumah sakit hasil yang disusun dalam
skala ordinal keparahan meliputi berat (mekanik ventilasi, shock, atau kematian), sedang (intensif care masuk saja),
dan ringan (non-intensif di rumah sakit perawatan) hasil-hasil. Dua puluh prediktor, termasuk pasien, laboratorium,
dan karakteristik radiografis pada presentasi, dievaluasi dalam 3 model: model penuh termasuk semua 20 prediktor,
model berkurang termasuk 10 prediktor berdasarkan konsensus ahli, dan catatan kesehatan elektronik (EHR) Model
termasuk 9 prediktor biasanya tersedia sebagai data terstruktur dalam EHRs komprehensif. regresi ordinal
digunakan untuk pengembangan model. akurasi prediksi diperkirakan dengan menggunakan diskriminasi (indeks
konkordansi).

HASIL: Di antara 2319 anak termasuk, 21% memiliki hasil sedang atau berat (14% sedang, 7% berat). Setiap
model akurat diidentifikasi risiko pneumonia sedang atau berat (konkordansi indeks di model 0,78-0,81). Usia,
tanda-tanda vital, indrawing dada, dan pola menyusup radiologis adalah prediktor terkuat dari tingkat keparahan.
model berkurang dan EHR mempertahankan sebagian besar prediktor terkuat dan dilakukan serta model penuh.

KESIMPULAN: Kami menciptakan model 3 risiko yang secara akurat memperkirakan risiko pneumonia berat pada anak-anak. Penggunaan mereka

memiliki potensi untuk meningkatkan perawatan dan hasil.

NIH

APA YANG DIKENAL DENGAN TOPIK: Pneumonia adalah infeksi serius

departemen Sebuah Pediatri, b biostatistik, c Kebijakan Kesehatan, dan d Pengobatan darurat, Vanderbilt University Medical Center, Nashville,
Tennessee; e Pusat Pengendalian dan Pencegahan Penyakit, Atlanta, Georgia;
yang paling umum pada anak-anak. Akurat mengidentifikasi risiko untuk
f Departemen Ilmu Kesehatan Anak, University of Utah Health Sciences Center, Salt Lake City, Utah; g Departemen Ilmu Kesehatan Anak, University of
hasil yang berat sangat penting untuk mengoptimalkan perawatan dan
Tennessee Health Science Center, Memphis, Tennessee; departemen h Pediatri dan Obat-obatan, Emory University School of Medicine, Atlanta,
hasil; Namun, alat fi kasi risiko strati untuk membimbing disposisi dan
Georgia; dan saya Departemen Kedokteran, Universitas Northwestern Feinberg School of Medicine, Chicago, Illinois
keputusan manajemen pada anak-anak yang kurang.

Dr Williams dikonsep dan dirancang penelitian, dilakukan analisis awal, dan dirancang dan merevisi naskah
APA STUDI INI ADDS: Kami menciptakan model 3 risiko yang secara
awal; Drs Zhu dan Harrell dikonsep dan dirancang studi, mengawasi dan melakukan analisis, dan ditinjau dan
akurat memperkirakan risiko pneumonia berat pada anak-anak Amerika
direvisi naskah awal; Drs Grijalva, Self, Reed, Stockmann, Arnold, Ampofo, Anderson, Bramley, Wunderink,
Serikat. Penerapan alat fi kasi risiko-strati menggunakan model ini memiliki
McCullers, Pavia, Jain, dan Edwards dikonsep dan dirancang studi, dibantu dengan interpretasi data, dan ditinjau
dan direvisi naskah awal; dan semua penulis menyetujui naskah nal fi seperti yang disampaikan. potensi untuk meningkatkan perawatan klinis dan hasil.

DOI: 10,1542 / peds.2016-1019 Diterima untuk

Untuk mengutip: Williams DJ, Zhu Y, Grijalva CG, et al. Memprediksi berat
publikasi Jul 20, 2016 Pneumonia Hasil pada Anak. Pediatri. 2016; 138 (4): e20161019

Pediatri Volume 138, nomor 4, Oktober 2016: e 20.161.019 ARTIKEL

Pneumonia adalah infeksi serius yang paling
umum pada anak-anak, akuntansi untuk 1%
sampai 4% dari semua departemen darurat
pediatrik (ED) dilihat di Amerika Serikat. 1
Meskipun sebagian besar anak-anak diperlakukan
sebagai pasien rawat jalan, 20% sampai 25% dari
kunjungan ED pneumonia mengakibatkan rawat
inap. 1, 2 Akibatnya, pneumonia peringkat di antara 3
alasan untuk rawat inap anak. 3, 4 Namun, proporsi
anak yang datang ke UGD dengan pneumonia
yang dirawat di rumah sakit bervariasi, 5, 6 mulai
dari 19% menjadi 69% di antara rumah sakit 35
anak AS. 6 Variasi ini sebagian besar independen
dari perbedaan populasi atau tingkat keparahan
penyakit, 5- 7
menunjukkan kebutuhan untuk metode standar
untuk meningkatkan identifikasi anak-anak beresiko
untuk hasil yang parah.
analisis prediktif menggunakan pemodelan statistik
untuk menghasilkan perkiraan risiko yang handal dan
tujuan yang memfasilitasi keputusan manajemen
pasien. Insiden tinggi, morbiditas, dan variasi
substansial dalam perawatan membuat anak
pneumonia target yang sangat baik untuk studi
tersebut. Beberapa model prognostik yang tersedia
untuk orang dewasa dengan pneumonia, 8 - 10
studi model ini menunjukkan bahwa mereka dapat
mengurangi spektrum luas penggunaan antibiotik
dan mengurangi rawat inap di antara individu berisiko
rendah. 11 - 14 Namun, tidak ada model divalidasi ada
untuk memprediksi hasil klinis antara anak-anak
dengan pneumonia di negara maju, kesenjangan
penelitian utama disorot dalam pedoman manajemen
pneumonia anak nasional. 15 Menggunakan data dari
Pusat Pengendalian dan Pencegahan Penyakit
Etiologi Pneumonia di Komunitas (EPIC) Study,
kami mengembangkan 3 model prognostik untuk
secara akurat memperkirakan risiko hasil pneumonia
berat pada anak-anak.
METODE
Studi Kependudukan
Penelitian EPIC adalah studi prospektif
pengawasan, berdasarkan populasi
2 WILLIAMS et al
rawat inap pneumonia pada anak-anak <18
tahun yang dilakukan antara 1 Januari 2010,
dan 30 Juni 2012, di rumah sakit 3 anak-anak di
Memphis, TN, Nashville, TN, dan Salt Lake City,
UT. 16 Anak-anak yang terdaftar jika mereka
dirawat di rumah sakit dengan tanda-tanda atau
gejala infeksi akut (misalnya, demam) dan
penyakit pernapasan akut (misalnya, batuk), dan
bukti radiografi pneumonia. interpretasi
radiografi standar diselesaikan oleh sebuah
badan sertifikasi-studi pediatrik ahli radiologi di
setiap rumah sakit studi. Anak-anak dengan
rawat inap baru-baru ini, imunosupresi berat,
cystic fibrosis, trakeostomi, atau diagnosis
alternatif yang jelas dikeluarkan. Studi ini
disetujui oleh dewan review kelembagaan di
masing-masing lembaga yang berpartisipasi dan
Pusat Pengendalian dan Pencegahan Penyakit.
rincian tambahan mengenai EPIC populasi
penelitian diterbitkan sebelumnya, 16
dan juga disajikan dalam bahan
tambahan.
dan
Hasil
model prognostik kami berfokus pada hasil di
rumah sakit akut, disusun dalam skala keparahan
tunggal ordinal dengan 3 tingkatan: berat, sedang,
dan ringan. termasuk anak-anak yang berat yang
meninggal, diperlukan ventilasi mekanik invasif,
atau dikembangkan kejutan yang membutuhkan
obat vasoaktif (misalnya, dopamin, norepinefrin,
vasopressin). termasuk anak-anak sedang dirawat
16
di ICU yang tidak memenuhi kriteria untuk parah.
Anak-anak yang tersisa diklasifikasikan sebagai
ringan. Anak-anak diklasifikasikan menurut hasil
yang paling parah yang terjadi selama rawat inap.
Variabel prediktor
Prediktor diidentifikasi apriori dan
diinformasikan oleh keahlian klinis dan
kajian literatur. Kami fokus pada pemilihan
tujuan
variabel dengan asosiasi hipotesis yang kuat
dengan hasil yang juga bisa cepat dipastikan
dalam pengaturan klinis. Hal ini mengakibatkan
genangan 20 prediksi calon, meliputi demografi
dan komorbiditas, serta klinik, laboratorium, dan
variabel radiologi (Tabel 1). Komorbiditas
dievaluasi sebagai variabel tunggal komposit (0,
1, 2, atau 3 +). Oksigenasi dinyatakan sebagai
PaO 2 / VIO 2 ( PF) rasio, berasal dari SPO 2 / VIO 2
perbandingan. 17 Semua prediksi dinilai pada
saat penerimaan.
Pengembangan Model
Kami mengevaluasi 3 model utama. Model
pertama termasuk 20 variabel prediktor (model
penuh). Berikutnya, kami menciptakan model
berkurang terbatas prediktor yang paling penting
secara klinis sebagaimana dinilai oleh konsensus
ahli. Untuk proses ini, kami survei 14 dokter
menghadiri dari 10 institusi Amerika dengan
keahlian di pneumonia anak (termasuk 5 penyidik
​studi EPIC), yang mewakili perawatan kritis,
pengobatan darurat, obat-obatan rumah sakit,
dan penyakit menular. Responden menilai
pentingnya masing-masing variabel prediktor
pada skala Likert 5 poin (1 = tidak penting untuk
5 = sangat penting). Variabel dengan rata-rata
ranking (skor median penting atau sangat penting ≥
4) tetap dipertahankan. Hal ini mengakibatkan
satu set berkurang dari 10 prediktor (berkurang
model), termasuk usia, komorbiditas, indrawing
dada, status diubah mental, jantung dan
pernafasan, tekanan darah sistolik, rasio PF,
menyusup pola, dan efusi pleura. Model ketiga
termasuk 9 prediktor yang rutin tersedia dalam
catatan komprehensif elektronik kesehatan
(model EHR): usia, jenis kelamin, ras, suhu,
jantung dan pernafasan, tekanan darah sistolik,
rasio PF, dan jumlah sel darah putih. Sebuah
istilah untuk situs pendaftaran juga termasuk
dalam masing-masing model.
TABEL 1 Karakteristik Studi Kependudukan, secara keseluruhan dan menurut Pneumonia Severity

tukang ramal pneumonia Severity Sebuah Secara keseluruhan, n = 2319

Ringan, n = 1825 Moderat, n = 316 Parah, n = 178

Usia, mo, median (IQR) 30 (13-72) 25 (10-73) 17 (5-59) 28 (12-71)

kelamin laki-laki 996 (55) 172 (54) 105 (59) 1273 (55)
Ras / etnis
Non-Hispanik putih 701 (38) 142 (45) 73 (41) 916 (40)
Non-Hispanik hitam 649 (36) 75 (24) 51 (29) 775 (33)
Hispanik 336 (18) 73 (23) 35 (20) 444 (19)
Lain 139 (8) 26 (8) 19 (11) 184 (8)
komorbiditas b
paru 639 (35) 138 (44) 47 (27) 824 (36)
sifat belum waktunya 162 (9) 33 (11) 20 (11) 215 (9)
neurologis 110 (6) 36 (11) 27 (15) 173 (7)
kardiovaskular 84 (5) 33 (10) 12 (7) 129 (6)
Genetik / metabolik 89 (5) 34 (11) 12 (7) 135 (6)
Lain 100 (5) 12 (4) 7 (4) 119 (5)
Tidak komorbiditas 0

910 (50) 123 (39) 93 (53) 1126 (49)

1 697 (38) 128 (41) 53 (30) 878 (38)
2 175 (10) 43 (14) 25 (14) 243 (10)
3+ 43 (2) 22 (7) 7 (4) 72 (3)
paparan rumah tangga asap c 637 (35) 114 (36) 64 (36) 815 (35)
musim
dingin 623 (34) 113 (36) 69 (39) 805 (35)
Musim semi 565 (31) 119 (34) 56 (31) 730 (31)
Musim panas 263 (14) 46 (15) 27 (15) 336 (14)
Jatuh 374 (21) 48 (15) 26 (15) 448 (19)
durasi gejala, d, median, (IQR) c, d 3 (2-6) 3 (2-5) 2 (1-4) 3 (2-6)
Muntah / makan penolakan 1025 (56) 149 (47) 89 (51) 1263 (54)
Suhu, ° C, median (IQR) 38 (37-39) 38 (37-39) 38 (37-39) 38 (37-39)
laju pernapasan, median (IQR) 40 (28-51) 48 (36-60) 42 (32-58) 40 (30-52)
denyut jantung, median (IQR) 150 (130-167) 158 (139-174) 162 (143-182) 152 (132-168)
tekanan darah sistolik, median (IQR) d 110 (101-120) 110 (98-120) 105 (92-118) 110 (100-120)
rasio PF, median (IQR) d 457 (434-474) 423 (369-457) 417 (297-457) 451 (420-474)
dada indrawing d 896 (50) 258 (82) 111 (64) 1265 (55)
suara napas asimetris 1163 (64) 220 (70) 121 (68) 1504 (65)
mengi 708 (39) 173 (55) 61 (34) 942 (41)
perubahan status mental d 21 (1) 8 (3) 29 (18) 58 (3)
jumlah sel darah putih, median (IQR) e 12 (9, 17) 12 (8, 17) 11 (8, 19) 12 (9, 18)
Radiografi dalam pola menyusup fi f

Konsolidasi, tunggal lobar 462 (25) 46 (14) 21 (12) 529 (23)

Konsolidasi, multilobar 495 (27) 93 (29) 76 (43) 664 (29)
Lainnya di Infiltrasi 735 (40) 157 (49) 66 (38) 958 (41)
Campur aduk 129 (7) 20 (6) 15 (9) 164 (7)
Efusi pleura 247 (14) 37 (12) 25 (14) 309 (13)

Data disajikan sebagai no. (%) Kecuali dinyatakan lain; semua prediktor mencerminkan penilaian dilakukan pada saat penerimaan.
Sebuah anak-anak termasuk berat yang diperlukan ventilasi mekanik invasif dan mereka dengan kejutan yang membutuhkan obat vasoaktif; termasuk anak-anak sedang dirawat di perawatan intensif yang tidak memenuhi kriteria untuk pneumonia berat;

anak-anak yang tersisa yang diklasifikasikan sebagai ringan.

b Komorbiditas hadir dalam <5% dari anak-anak dikelompokkan ke dalam “lain” variabel tunggal, yang mencakup hematologi, endokrin, dan hati komorbiditas ginjal /.
c Sebelum masuk.
d Hilang data untuk <2% dari pengamatan.

e Hilang data untuk 397 pengamatan (17%).

f Dalam fi pola menyusup tidak didefinisikan untuk 4 anak karena adanya efusi pleura besar.

Kontribusi mikrobilogik Etiologi darah untuk kultur bakteri, serologi untuk 8 Mycoplasma pneumoniae, dan
virus pernafasan, dan pneumokokus dan grup Chlamydophila pneumoniae. 16
Untuk menilai kontribusi data mikrobiologis A reaksi berantai polimerase streptokokus; Untuk analisis ini, data mikrobiologis yang
kinerja prognostik, kami juga mengevaluasi dan naso / penyeka orofaringeal untuk dirangkum dengan menggunakan variabel
masing-masing model utama dengan polymerase chain reaction untuk 13 virus kategori biner untuk virus, bakteri atipikal ( M
menggunakan data etiologi dari studi EPIC. pernapasan, pneumoniae atau C pneumoniae), dan bakteri
penilaian etiologi termasuk lainnya.

Pediatri Volume 138, nomor 4, Oktober 2016 3

Analisis
model prediksi tingkat keparahan kami diciptakan
dengan menggunakan regresi logistik ordinal. 18, 19 Untuk Kami melakukan analisis sekunder untuk menilai
memungkinkan asosiasi nonlinear, prediktor terus
menerus dimodelkan dengan menggunakan dibatasi
transformasi spline kubik. Untuk menjelaskan
perbedaan diketahui berdasarkan usia denyut
jantung yang normal, laju pernapasan, dan tekanan
darah, hal interaksi antara masing-masing variabel
dan usia dimasukkan. Pengaruh prediksi individu
pada hasil keparahan dilaporkan dengan
menggunakan disesuaikan rasio odds (aORs). efek
parsial plot untuk prediktor terus menerus juga yang
dihasilkan. Untuk menggambarkan pentingnya
setiap prediktor, kita menghitung, dan grafis yang
ditampilkan, fraksi variasi hasil dijelaskan
disumbangkan oleh masing-masing prediktor
berdasarkan parsial mereka
χ 2 nilai-nilai. 18
Antara model perbandingan termasuk penilaian
dari fit (rasio kemungkinan χ 2 statistik), kualitas
(Akaike Information Criterion), dan akurasi
prediksi (diskriminasi dan kalibrasi). 18 Kami
menilai kemampuan model kami untuk
membedakan antara anak dengan dan tanpa
setiap hasil (diskriminasi) menggunakan indeks
konkordansi (c-index), yang analog dengan
daerah sering dilaporkan di bawah penerima
operasi kurva karakteristik. Sebuah c-indeks 1,0
menunjukkan konkordansi sempurna.
Persetujuan antara frekuensi hasil diprediksikan
dan yang diamati (kalibrasi) dinilai grafis.
Pertama, diperkirakan risiko pneumonia sedang
atau berat menjelma menjadi 100 tempat
sampah ukuran yang sama mulai dari 0 sampai
1. kurva fit Lowess kemudian dihasilkan sesuai
dengan proporsi yang diamati dari anak-anak
yang mengalami hasil yang parah, sedang, atau
ringan dalam setiap bin dari memprediksi risiko.
Akhirnya, kami menjelajahi potensi kinerja
model kami di populasi masa depan dengan
menggunakan bootstrap internal yang
4 WILLIAMS et al
validasi (500 ulangan dengan
penggantian).
asumsi utama. Pertama, kami memeriksa apakah
resiko estimasi kami untuk hasil sedang atau berat
berkorelasi dengan panjang rumah sakit tinggal,
pengganti yang biasa digunakan untuk tingkat
keparahan penyakit, dengan menggunakan korelasi
rank Spearman. Kedua, karena model prediksi kami
dapat melakukan kurang baik pada anak-anak
tanpa penyakit parah jelas pada presentasi, model
yang dinilai kembali setelah tidak termasuk
anak-anak diprioritaskan ke ICU pada presentasi.
Analisis dilakukan dengan menggunakan Stata 13,1
(StataCorp, College Station, TX) dan R 3.2.3 (R
Yayasan statistik Komputasi, Wina, Austria). rincian
metodelogi tambahan yang disediakan dalam bahan
tambahan.
HASIL Studi
Populasi
Dari 2358 anak yang terdaftar dalam studi EPIC
dengan pneumonia radiografi dikonfirmasi, 39
dikeluarkan karena ≥ 1 immunocompromising
komorbiditas (Tambahan Gambar 3). Usia
rata-rata dari 2319 anak termasuk adalah 28
bulan (kisaran interkuartil [IQR], 12-71); 55%
laki-laki; 40% adalah non-Hispanik kulit putih,
33% adalah non-Hispanik hitam, dan 19%
Hispanik; 49% dari anak-anak memiliki ≥ 1
komorbiditas (Tabel 1). Tujuh persen anak-anak
memiliki hasil yang parah (kisaran di situs 6%
-10%); 14% memiliki hasil yang moderat (kisaran
di situs 9% -16%). Sepertiga dari anak-anak
dirawat di rumah sakit untuk <48 jam dan hampir
10% untuk <24 jam. Tidak semua anak memiliki
data yang lengkap untuk semua prediktor
dianggap (Tambahan Gambar 3); jumlah sel
darah putih perifer, khususnya, yang hilang di
17% dari anak-anak ( n = 397); untuk semua
variabel lain, data yang hilang di <2% dari
pengamatan.
Prediktor Pneumonia Severity
The aORs untuk setiap prediktor disajikan pada
Tabel 2; efek parsial plot untuk prediktor terus
menerus ditunjukkan pada Tambahan Gambar
4. Adanya status berubah mental, indrawing
dada, dan multilobar atau nonlobar (misalnya,
interstitial) infiltrat setiap memprediksi hasil yang
lebih berat (misalnya, dalam model penuh, dada
indrawing meningkat kemungkinan pneumonia
sedang atau berat
1,77 kali). Demikian pula, di antara prediktor
terus menerus, penurunan rasio PF, tekanan
darah sistolik, dan suhu; ekstrem usia; dan
meningkatkan jantung dan pernapasan
semuanya terkait dengan hasil pneumonia lebih
parah (misalnya, dalam model penuh,
kemungkinan hasil sedang atau berat meningkat
1,22 kali untuk anak 1-yearold dibandingkan
dengan 2-yearold). Dikombinasikan, 9
variabel-variabel ini peringkat sebagai prediktor
terkuat pneumonia keparahan, kontribusi 96%
dari variasi hasil dijelaskan dalam model penuh
(Gambar 1). Model ini berkurang
mempertahankan semua tapi 1 dari prediktor
tersebut (suhu), sedangkan model EHR
dipertahankan 6 (tanpa perubahan status
mental, indrawing dada, dan menyusup pola)
(Tabel 2).
Kinerja Model prognostik
Setiap model akurat diidentifikasi risiko
pneumonia sedang atau berat (c-indeks
kisaran di seluruh model 0,78-0,81, Tabel 3).
Perbedaan dalam model fit dan kualitas
dianggap diabaikan, dan hasil dari validasi
bootstrap internal yang sebanding dengan
model utama (c-indeks kisaran di model
0,76-0,79). Mengingat kinerja model serupa,
model EHR disederhanakan dipilih untuk tujuan
ilustrasi. Untuk model ini, median prediksi risiko
pneumonia sedang atau berat adalah 18%
(IQR 9% -32%) dan untuk pneumonia berat 5%
(3% -11%). Seperti yang ditunjukkan pada
Gambar 2, di antara
MEJA 2 Disesuaikan Odds Rasio untuk Individu Prediktor Termasuk dalam Setiap Model

tukang ramal Model

Penuh, n = 1839 berkurang, n = 2238 EHR, n = 1902

Usia, y Sebuah

1 1,22 (1,02-1,46) 1,29 (1,14-1,45) 1,23 (1,10-1,38)

2 Ref Ref Ref
5 0,84 (0,62-1,15) 0,84 (0,69-1,03) 0,83 (0,68-1,01)
10 1,87 (1,16-3,02) 2,46 (1,74-3,47) 1,84 (1,33-2,56)
seks perempuan 0,79 (0,62-1,02) - 0.86 (0,68-1,09)
Ras / etnis
Non-Hispanik putih Ref - Ref
Non-Hispanik hitam 1,04 (0,72-1,50) - 0,82 (0,62-1,10
Hispanik 0,84 (0,60-1,19) - 0,91 (0,66-1,25)
Lain 0,77 (0,49-1,23) - 0.80 (0,52-1,23)
Tidak komorbiditas 0

Ref Ref -
1 1,04 (0,78-1,41) 1.13 (0,87-1,46) -
2 1,37 (0,91-2,06) 1,38 (0,95-2,0) -
3+ 1,93 (1,09-3,44) 2,26 (1,31-3,90) -
paparan rumah tangga asap 1,22 (0,94-1,59) - -
musim
semi Ref - -
Musim panas 1,09 (0,75-1,60) - -
Jatuh 0.86 (0,59-1,26) - -
Musim dingin 1.0 (0,74-1,36) - -
durasi gejala, d Sebuah
1 1,04 (1,0-1,08) - -
3 Ref - -
6 0,95 (0,89-1,01) - -
Muntah / makan penolakan 0,83 (0,65-1,06) - -
Suhu, C Sebuah
35 2,0 (1,54-2,59) - 2.23 (1,76-2,83)
37 Ref - Ref
39 0,50 (0,39-0,65) - 0,45 (0,35-0,57)
laju pernapasan, Sebuah 50 (ref) vs persentil ke-95: 1 y
0,73 (0,52-1,01) 0.99 (0,85-1,16) 1,02 (0,87-1,19)
2y 0,76 (0,44-1,33) 1,21 (1,0-1,46) 1.19 (0,98-1,44)
5y 1,35 (0,82-2,24) 1,44 (1,20-1,73) 1,36 (1,13-1,63)
10 y 1,30 (0,87-1,94) 1,53 (1,31-1,80) 1,45 (1,23-1,70)
denyut jantung, Sebuah 50 (ref) vs persentil ke-95 di:

1y 1,59 (0,98-2,59) 1,70 (1,35-2,15) 1,94 (1,49-2,51)

2y 1,59 (0,99-2,57) 1,59 (1,27-1,99) 2.10 (1,62-2,71)
5y 1,99 (0,99-3,98) 1,43 (0,99-2,05) 2,41 (1,63-3,57)
10 y 2,90 (1,45-5,78) 1,79 (1,25-2,57) 2,84 (1,93-4,18)
tekanan darah sistolik, Sebuah 50 (ref) vs 5 persentil di:
1y 1,34 (1,03-1,75) 1.13 (0,99-1,29) 1,15 (1,0-1,31)
2y 1,28 (0,96-1,69) 1,03 (0,91-1,17) 1,06 (0,94-1,20)
5y 1,37 (0,81-2,33) 0,91 (0,73-1,13) 0,95 (0,76-1,19)
10 y 1,76 (1,15-2,68) 1.0 (0,86-1,18) 1,01 (0,86-1,19)
rasio PF Sebuah

450 Ref - -
300 2,57 (2,05-3,20) 2,84 (2,34-3,44) 3,44 (2,84-4,17)
200 3,43 (2,40-4,90) 4.29 (3,13-5,89) 5.64 (4,14-7,69)
perubahan status mental 7.42 (3,74-14,72) 11,9 (6,41-22,23) -
dada indrawing 1,77 (1,31-2,41) 2.12 (1,62-2,78) -
suara napas asimetris 0.86 (0,65-1,15) - -
mengi 1,12 (0,85-1,48) - -
jumlah sel darah putih, Sebuah per mm 3

5000 1,09 (0,92-1,29) - 1,09 (0,93-1,28)

15 000 Ref - -
30 000 0.88 (0,68-1,14) - 0.88 (0,69-1,11)
Dalam pola menyusup fi

Konsolidasi, tunggal lobar Ref Ref -

Konsolidasi, multilobar atau lainnya 2,06 (1,39-3,06) 1,63 (1,13-2,34) -

Pediatri Volume 138, nomor 4, Oktober 2016 5

MEJA 2 terus-menerus

tukang ramal Model

Penuh, n = 1839 berkurang, n = 2238 EHR, n = 1902

Lainnya di Infiltrasi 1,82 (1,22-2,73) 1,42 (1,0-2,02) -

Campur aduk 1,64 (0,93-2,91) 1,23 (0,72-2,09) -
Efusi pleura 1,31 (0,88-1,95) 1,36 (0,95-1,94) -

- . variabel tidak termasuk dalam model yang dipilih.

Sebuah Menunjukkan prediktor terus menerus: untuk menghitung aORs untuk prediktor tersebut, ≥ 1 nilai dipilih untuk perbandingan terhadap nilai referensi; untuk prediktor yang termasuk istilah interaksi dengan usia (denyut jantung, laju

pernapasan, dan tekanan darah sistolik), nilai persentil ke-50 dibandingkan dengan 95 persen (denyut jantung dan laju pernapasan) 20 atau 5 persentil (tekanan darah sistolik) 21 nilai pada 1, 2, 5, dan 10 y usia.

mereka dengan prediksi risiko 10% dari hasil Dalam analisis sekunder, korelasi positif tercatat persen anak-anak dengan panjang rumah sakit tinggal

sedang atau berat, 12% benar-benar mengalami antara panjang rumah sakit tinggal dan risiko <24 jam memiliki <5% prediksi risiko pneumonia sedang

hasil ini, menunjukkan kesepakatan yang baik diprediksi untuk pneumonia sedang atau berat atau berat, dibandingkan dengan 12% dari mereka

antara hasil yang diamati dan diharapkan. diperkirakan dari model EHR ( ρ = 0,33, P < . 01). dirawat di rumah sakit selama 24 sampai 47 jam dan 7%

Dua puluh empat dari mereka dirawat di rumah sakit untuk ≥ 48

GAMBAR 1
Pentingnya prediktor individu. Pentingnya setiap prediktor dalam model penuh dihitung sebagai proporsi variasi hasil dijelaskan disumbangkan oleh masing-masing prediktor (parsial χ 2 nilai
untuk setiap prediktor dibagi dengan total model χ 2). Sebuah Predictor termasuk dalam model berkurang. b Predictor termasuk dalam model EHR.

6 WILLIAMS et al
TABEL 3 Kinerja Model

Model Sebuah No. Anak-anak Prediktor (df) LR χ 2 AIC C-Index (95% CI) Bootstrap C-Index b

Penuh 1839 20 (45) 518 2121 0,81 (0,79-0,83) 0.79

mengurangi 2238 10 (31) 509 2453 0,79 (0,77-0,81) 0,77
EHR 1902 9 (28) 452 2300 0,78 (0,76-0,80) 0,76

AIC, Kriteria Informasi Akaike; CI, kepercayaan diri selang; c-indeks, indeks kesesuaian; df, derajat kebebasan; LR χ 2, rasio kemungkinan χ 2. a model penuh termasuk usia, ras, jenis kelamin, variabel komorbiditas komposit (0, 1,
2, atau 3 +), paparan rumah asap, musim, durasi gejala, muntah, rasio PF, jantung dan pernafasan, tekanan darah sistolik, suhu, diubah status mental, indrawing dada, napas asimetris suara, mengi, jumlah sel darah putih, dan
temuan radiografi (dalam pola menyusup fi dan kehadiran efusi). Mengurangi Model meliputi usia, variabel komorbiditas komposit, indrawing dada, perubahan status mental, rasio PF, jantung dan pernafasan, tekanan darah
sistolik, dan temuan radiografi. Model EHR meliputi usia, jenis kelamin, ras, rasio PF, jantung dan pernafasan, tekanan darah sistolik, suhu, dan jumlah sel darah putih.

b Untuk memperkirakan kinerja yang diharapkan dalam populasi masa depan, validasi bootstrap internal yang (500 ulangan dengan penggantian) dari model nal fi dilakukan.

anak-anak dengan sedang atau berat

pneumonia [aOR 0,74 dalam model EHR] dan
bakteri atipikal terdeteksi di 11% [aOR 0,35],
Tambahan Tabel 4). bakteri yang khas
terdeteksi di 6% dari anak-anak, termasuk

Streptococcus pneumoniae di 4%, dan kedua

Staphylococcus aureus
dan Streptococcus pyogenes dalam 1%. 16 Deteksi
ini bakteri patogen sangat terkait dengan
pneumonia keparahan (AOR 3,76); 30% dari
anak-anak dengan S pneumoniae terdeteksi
memiliki pneumonia sedang atau berat,
sedangkan 83% dari mereka dengan S aureus

dan 75% dengan S pyogenes memiliki pneumonia

sedang atau berat. Meskipun demikian,
penambahan data etiologi memiliki dampak
minimal terhadap masing-masing kekuatan 3
model utama diskriminatif (c-indeks kisaran di
seluruh model 0,79-0,83, Tambahan Tabel 5).

GAMBAR 2 DISKUSI
hasil yang diamati menurut risiko diprediksi untuk sedang atau berat pneumonia, Model EHR. kurva Fit menunjukkan
proporsi anak yang mengalami ringan (hitam), sedang (hijau), atau berat (biru) hasil pada setiap tingkat risiko diprediksi Menggunakan data prospektif dari
untuk pneumonia sedang atau berat. Untuk tujuan ilustrasi, garis putus-putus vertikal menunjukkan memprediksi risiko
> 2300 anak dirawat di rumah sakit dengan
10% dari pneumonia sedang atau berat. Pada tingkat risiko diprediksi ini, 12% dari anak-anak mengalami moderat (6%)
atau hasil berat (6%). pneumonia, kami mengembangkan dan divalidasi 3
model prognostik Novel internal untuk memperkirakan
risiko untuk hasil di rumah sakit parah. Setiap model
jam ( P < . 001). Hasil untuk model penuh dan (8%) dibandingkan dengan mereka yang tidak akurat diidentifikasi risiko sedang (ICU) dan berat
mengurangi serupa (data tidak ditampilkan). dirawat di ICU (14%, 4%; P < (ventilasi mekanik invasif, shock, atau kematian)
Selanjutnya, setelah tidak termasuk yang awalnya . 001 untuk kedua). hasil-hasil. alat risiko-stratifikasi berdasarkan model ini
diprioritaskan ke ruang ICU ( n = 336), kekuatan dapat digunakan dalam pengaturan perawatan darurat
Kontribusi mikrobilogik Etiologi
diskriminatif dari 3 model (c-indeks kisaran di model untuk membantu mengidentifikasi anak-anak yang
0,76-0,79) mirip dengan model utama. Yang berisiko rendah untuk hasil yang berat yang bisa
penting, orang-orang dengan mentransfer ICU Virus terdeteksi di 72% dari anak-anak dan dengan aman dibuang, serta orang-orang yang dapat
tertunda memiliki median secara signifikan lebih bakteri atipikal di 9%; deteksi patogen ini mengambil manfaat dari lebih intensif
tinggi diprediksi risiko sedang atau berat (25% kurang umum pada anak dengan
dalam model EHR) dan pneumonia berat pneumonia sedang atau berat (virus yang
terdeteksi di 21% dari

Pediatri Volume 138, nomor 4, Oktober 2016 7

pengelolaan. Sebuah model berbasis EHR
sederhana yang disertakan 9 prediktor
menunjukkan akurasi prediksi mirip dengan 2
model yang lebih kompleks dan menawarkan
utilitas praktis terbesar. Meskipun model prediksi
harus divalidasi eksternal, penggunaan alat-alat
risiko-stratifikasi berdasarkan model ini memiliki
potensi untuk membakukan perawatan dan
meningkatkan hasil bagi anak-anak dengan
pneumonia.
Variasi dalam keputusan disposisi jelas antara
anak-anak dengan pneumonia, 5-7 dengan potensi
bahaya dihindari berkaitan dengan rawat inap yang
tidak perlu serta tertunda triase ke tingkat perawatan
yang lebih tinggi. Untuk menginformasikan keputusan
perawatan dan mengoptimalkan hasil, tahun 2011
Pediatric Infectious Diseases Society / Penyakit
Menular Masyarakat pedoman manajemen
pneumonia anak Amerika menekankan perlunya alat
bantu risiko-stratifikasi objektif. 15 Reed et al 19 sebelumnya dan bakteri atipikal dikaitkan dengan kemungkinan
dikembangkan alat sederhana untuk memprediksi di
rumah sakit pneumonia kematian pada anak-anak
muda di Afrika Selatan, meskipun kegunaannya
dalam pengaturan di mana angka kematian
pneumonia pada anak jarang terjadi belum dievaluasi.
model prognostik kami berfokus pada hasil di rumah
sakit dan dievaluasi set diperluas prediktor secara
rutin dikumpulkan untuk perawatan klinis. Setiap
model kami menunjukkan potensi untuk
meningkatkan stratifikasi risiko untuk anak-anak AS
dengan pneumonia.
Mengingat akurasi prediksi serupa dari 3 model
utama, kami mengantisipasi model EHR dapat
paling mudah diadopsi ke dalam pengaturan klinis.
Masing-masing prediktor termasuk dalam model ini
secara rutin tersedia dalam EHRs komprehensif
dan mudah tanya secara real time untuk anak-anak
yang datang untuk perawatan darurat. Sebagian
besar dari prediksi ini mewakili parameter fisiologis
dan banyak termasuk dalam yang ada skor
keparahan untuk anak-anak dirawat di perawatan
intensif dan pneumonia dewasa
8 WILLIAMS et al
skor keparahan. 8, 10, 22 -24 Model penuh juga
termasuk beberapa prediktor lemah atau tidak
signifikan. Komorbiditas gagal menunjukkan
asosiasi yang kuat dengan pneumonia
keparahan, meskipun kita mendalilkan hal ini
disebabkan heterogenitas macam komorbiditas
kronis pada anak-anak. Dari catatan, status
fungsional dan kompleksitas medis tidak dinilai,
batasan yang membutuhkan studi lebih lanjut.
Dalam model kami, jumlah sel darah putih perifer
tidak dikaitkan dengan hasil yang parah. Data ini
hilang selama hampir 20% dari anak-anak.
pengamatan kami konsisten dengan pedoman
nasional yang menunjukkan bahwa pengukuran
rutin jumlah darah lengkap mungkin tidak
diperlukan kecuali pada mereka dengan penyakit
kritis (misalnya, sepsis). 15 Menariknya, masuknya
data etiologi juga memiliki efek yang dapat
diabaikan pada model kami. Namun, deteksi virus
penurunan hasil parah, sedangkan deteksi bakteri
khas dikaitkan dengan peningkatan kemungkinan
hasil yang parah. Hasil penelitian bakteri tidak
tersedia pada penilaian triase awal dan sensitivitas
mereka tetap dipertanyakan, membatasi utilitas
dari pengujian tersebut untuk menginformasikan
keputusan manajemen awal. Ini akan menjadi
penting untuk mengevaluasi kembali temuan kami
sebagai strategi baru untuk cepat mendiagnosa
bakteri muncul.
Sepertiga dari anak-anak dalam penelitian kami
dirawat di rumah sakit untuk <48 jam dan hampir
10% untuk <24 jam. 16
Seperempat anak-anak dengan lama menginap <24
jam memiliki <5% diperkirakan risiko hasil sedang
atau berat. Rawat inap mungkin tidak diperlukan di
beberapa anak-anak ini. Di lain, faktor yang tidak
terkait dengan pneumonia keparahan dapat
mempengaruhi keputusan rawat inap. Namun,
penelitian pada orang dewasa dengan pneumonia
menunjukkan bahwa situs dari keputusan perawatan
bervariasi oleh penyedia dan bahwa risiko untuk hasil
yang berat sering dibesar-besarkan. 25 - 27
penggunaan yang tepat dari prognostik
model pada orang dewasa dikaitkan dengan
mengurangi rawat inap untuk pasien berisiko rendah
dan meningkatkan manajemen guidelineconcordant. 12,
13, 28 - 30
Jadi, meskipun model prognostik tidak menggantikan
penilaian dokter, studi ini menunjukkan bahwa akurat
stratifikasi risiko dapat meningkatkan pengambilan
keputusan. alat risiko-stratifikasi berdasarkan model
kami dapat digunakan dalam pengaturan perawatan
darurat untuk membantu mengidentifikasi anak-anak
yang berisiko rendah untuk hasil yang parah dan
berpotensi memfasilitasi triase cepat dan debit aman
dengan pengujian minimal atau intervensi. 15 Sebaliknya,
identifikasi cepat anak-anak beresiko tinggi untuk
kerusakan bisa menandakan perlunya pemantauan
lebih dekat dan / atau terapi yang lebih intensif. Dalam
skenario kedua, pengambilan keputusan diinformasikan
oleh pemahaman yang akurat tentang risiko cenderung
mengarah pada perawatan yang lebih baik dan hasil.
Sebuah tantangan penting bagi model prognostik
adalah implementasi klinis. Meskipun ketersediaan
alat risiko-stratifikasi dengan utilitas klinis
didokumentasikan untuk orang dewasa dengan
pneumonia, 11 - 14
studi menunjukkan alat ini jarang digunakan atau
kadang-kadang digunakan tidak tepat. 26, 31 - 33 perhitungan
skor yang kompleks dapat mencegah adopsi, namun
ketersediaan aplikasi berbasis Web-atau perangkat
mobile dapat meningkatkan aksesibilitas. pendukung
keputusan klinis menggunakan model prognostik
tertanam dalam EHR menawarkan keuntungan yang
berbeda atas aplikasi elektronik lainnya, kepala di
antara ini adalah efisiensi komputasi dan integrasi alur
kerja mulus. 34 Dengan alat berbasis EHR, prediksi
risiko dapat diperoleh secara real time pada titik
perawatan tanpa memerlukan penyedia data masukan
tambahan. estimasi risiko juga dapat dihubungkan
dengan rekomendasi perawatan yang disesuaikan
dan ketertiban set untuk memastikan bahwa setiap
pasien menerima tingkat yang paling tepat dari
perawatan. 11, 35
Meskipun beberapa studi yang dipublikasikan
menunjukkan kegunaan
dirancang dengan baik aplikasi pendukung populasi adalah penting sebelum diadopsi secara model sederhana menggunakan input yang berasal
keputusan berbasis EHR, 11, 35, 36
luas. Secara khusus, masuknya anak-anak keluar eksklusif dari data yang tersedia di EHR dilakukan sama
Penelitian tambahan diperlukan. dari ED tanpa rawat inap akan menjadi penting. dengan model yang lebih kompleks. Gunakan model
Calon validasi juga memungkinkan untuk model sederhana ini untuk menerapkan alat risiko-stratifikasi
Seperti semua studi prognosis, model kami
memperbarui dan evaluasi prediktor baru. dalam sistem EHR yang komprehensif dapat
dapat melakukan kurang baik antara populasi
pendekatan baru untuk memprediksi pneumonia menyebabkan perawatan yang lebih aman dan lebih
lain; Namun, penelitian ini bersarang dalam,
etiologi dan hasil, termasuk point-of-perawatan efektif yang disesuaikan dengan resiko masing-masing
prospektif, kohort berbasis populasi yang
pengujian dengan menggunakan biomarker pasien untuk hasil pneumonia berat.
sangat besar anak-anak dirawat di rumah sakit
(misalnya, prokalsitonin), 38
dengan pneumonia klinis dan radiografi di 3
kota AS. Yang penting, meskipun populasi
yang dilayani oleh 3 rumah sakit ini mungkin
tidak mewakili populasi AS, karakteristik mungkin lebih lanjut kemampuan kita untuk secara

populasi penelitian, termasuk usia, jenis tepat memperkirakan risiko untuk hasil yang parah.

kelamin, ras / etnis, dan frekuensi komorbiditas, evaluasi terus diperlukan untuk secara ketat
SINGKATAN
serupa dengan penelitian sebelumnya rawat mengevaluasi pelaksanaan, serta utilitas klinis, dari
model-model yang menjanjikan. aOR: disesuaikan rasio odds c-index:
inap pneumonia dilakukan dalam sampel
indeks konkordansi ED: darurat
nasional rumah sakit 43 anak AS. 37
departemen EHR: Electronic Health
Record EPIC Studi: Etiologi

KESIMPULAN
Pneumonia di dalam
Kami mengembangkan 3 model prognostik yang secara
Komunitas Studi
Meskipun hasil dari validasi internal kami akurat mengidentifikasi risiko untuk hasil yang parah pada
IQR: interkuartil berkisar rasio PF:
sangat menggembirakan, validasi eksternal anak-anak dirawat di rumah sakit dengan pneumonia.
PaO 2 / VIO 2 perbandingan
di diperluas SEBUAH

Alamat korespondensi Derek J. Williams, MD, MPH, CCC-5324 Medical Center Utara, Vanderbilt University Medical Center, 1161 21 Ave S., Nashville, TN 37212. E-mail: derek.williams@vanderbilt.edu

Pediatrics (Nomor ISSN: Print, 0031-4005; Online, 1098-4275). Hak cipta ©

2016 oleh American Academy of Pediatrics

PENGUNGKAPAN KEUANGAN: Dr Diri telah menerima pembayaran untuk jasa konsultasi dan dewan penasehat dari Abbott Point of Care, Diagnostik BioFire, dan Venaxis. Dr Anderson telah menerima pembayaran untuk
konsultasi dari Abbvie dan dana penelitian dari MedImmune / AstraZeneca. Dr Ampofo telah menerima dana penelitian dari GlaxoSmithKline, Kubisme Farmasi, dan Janssen Pharmaceuticals. Para penulis lain telah
mengindikasikan mereka tidak memiliki hubungan keuangan yang relevan untuk artikel ini untuk mengungkapkan.

PENDANAAN: Didukung oleh National Institutes of Health di bawah nomor penghargaan K23AI104779 Dr Williams dan penghargaan jumlah K23GM110469 Dr Diri; oleh Badan Kesehatan Penelitian dan
Kualitas dengan nomor penghargaan 1R03HS022342 Dr Grijalva; dan oleh CTSA nomor penghargaan UL1TR000445 dan KL2TR000446 dari Pusat Nasional untuk Memajukan Translational Sciences.
The Etiologi Pneumonia di dalam Komunitas Studi didukung oleh Di fl Divisi influenza di Pusat Nasional untuk Imunisasi dan Penyakit Pernapasan di Pusat Pengendalian dan Pencegahan Penyakit
melalui perjanjian kerja sama dengan masing-masing lokasi penelitian dan didasarkan pada peluang pendanaan penelitian kompetitif. Temuan dan kesimpulan dalam laporan ini adalah dari penulis dan
tidak mewakili pandangan dari National Institutes of Health, Badan Kesehatan Penelitian dan Kualitas, atau Pusat Pengendalian dan Pencegahan Penyakit. Didanai oleh National Institutes of Health
(NIH).

POTENSI KONFLIK KEPENTINGAN: Para penulis telah mengindikasikan mereka tidak memiliki ik con fl kepentingan yang potensial untuk mengungkapkan.

REFERENSI

1. Self WH, Grijalva CG, Zhu Y, et al. Tarif dari 3. AHRQ. Perkiraan Nasional tentang Penggunaan pediatri rumah sakit. Arch Pediatr Adolesc
gawat darurat kunjungan karena pneumonia di Rumah Sakit dengan Anak-anak dari Database Med. 2012; 166 (12): 1155-1164
Amerika Serikat, Juli 2006-Juni 2009. Acad Rawat Inap yang HCUP Kids' (KID).

Emerg Med. 2012. Tersedia di: http: // hcupnet. AHRQ. gov /.

2013; 20 (9): 957-960
2. Neuman MI, Shah SS, Shapiro DJ, Hersh
AL. manajemen gawat darurat dari
pneumonia anak di Amerika Serikat
sebelum penerbitan pedoman nasional.
Acad Emerg Med. 2013; 20 (3): 240-246
5. Gorton CP, Jones JL. variasi geografis yang
Diakses 12 Januari 2014
luas antara Pennsylvania kabupaten di
tingkat populasi masuk rumah sakit karena
4. Keren R, Luan X, Localio R, et al; Pediatric pneumonia pada anak dengan dan tanpa
Research in Rawat Inap Pengaturan kondisi kronis komorbiditas.
(Berprasangka) Jaringan. Prioritas topik
penelitian efektivitas komparatif dalam Pediatri. 2006; 117 (2):
176-180

Pediatri Volume 138, nomor 4, Oktober 2016 9

 6. Bourgeois FT, Monuteaux MC, Stack AM,
Neuman MI. Variasi tarif masuk gawat
darurat di rumah sakit anak-anak AS. Pediatri.
2014; 134 (3): 539-545
7. Brogan TV, Balai M, Williams DJ, et al.
Variabilitas dalam proses perawatan dan hasil
antara anak-anak dirawat di rumah sakit
dengan pneumonia. Pediatr Infect Dis J.
2012; 31 (10): 1036-1041
8. Baik MJ, Auble TE, yealy DM, et al. Aturan
prediksi untuk mengidentifikasi pasien lowrisk
dengan pneumonia communityacquired. N Engl J
Med.
1997; 336 (4): 243-250
9. WS Lim, van der Eerden MM, Laing R, et al. De fi
masyarakat ning pneumonia keparahan pada
presentasi ke rumah sakit: sebuah derivasi
internasional dan studi validasi. Thorax.
2003; 58 (5): 377-382
10. Charles PG, Wolfe R, Whitby M, et al; Australia
Community-Acquired Pneumonia Studi
Kolaborasi. SMART-COP: alat untuk
memprediksi kebutuhan untuk dukungan
pernapasan atau vasopressor intensif di
pneumonia communityacquired. Clin Menginfeksi
Dis.
2008; 47 (3): 375-384
11. Dean NC, Jones BE, Jones JP, et al. Dampak
alat pendukung keputusan klinis elektronik
untuk pasien gawat darurat dengan
pneumonia.
Ann Emerg Med. 2015; 66 (5): 511-520
12. Renaud B, Coma E, Labarere J, et al; Pneumocom
Studi Penyidik. penggunaan rutin dari Indeks
Keparahan Pneumonia untuk membimbing
situs-of-perawatan keputusan pasien dengan
pneumonia di departemen darurat: multicenter,
calon, observasional, dikendalikan studi kohort. Clin
Menginfeksi Dis. 2007; 44 (1): 41-49
13. Chalmers JD, Singanayagam A, Akram AR,
Choudhury G, Mandal P, Bukit AT. Keselamatan
dan efficacy terapi antibiotik CURB65-dipandu pada
pneumonia communityacquired. J Antimicrob
Chemother. 2011; 66 (2): 416-423
14. Chalmers JD, Rutherford J. Bisakah kita menggunakan
alat penilaian keparahan untuk meningkatkan
manajemen rawat jalan pneumonia
communityacquired? Eur J Intern Med. 2012; 23 (5):
398-406
10
15. Bradley JS, Byington CL, Shah SS, et al; 24. Pollack MM, Patel KM, Ruttimann UE. PRISM III:
Pediatric Infectious Diseases Society dan sebuah Risiko Pediatric terbaru dari skor Kematian. Crit
Penyakit Infeksi Society of America. Perawatan Med.
Pengelolaan komunitas-pneumonia pada bayi 1996; 24 (5): 743-752
dan anak-anak lebih tua dari usia 3 bulan:
25. Baik MJ, Hough LJ, Medsger AR, et al.
pedoman praktek klinis oleh Pediatric
Keputusan masuk rumah sakit untuk pasien
Infectious Diseases Society dan Penyakit
dengan komunitas-pneumonia. Hasil dari
Infeksi Society of America. Clin Menginfeksi
pneumonia Pasien Hasil Tim Peneliti studi
Dis. 2011; 53 (7): E25-E76
kohort. Arch Intern Med.
1997; 157 (1): 36-44
16. Jain S, Williams DJ, Arnold SR, et al; CDC Tim
26. Dean NC, Jones JP, Aronsky D, et al.
Studi EPIC. pneumonia Communityacquired
keputusan penerimaan rumah sakit untuk
membutuhkan rawat inap di kalangan
pasien dengan pneumonia
anak-anak AS.
communityacquired: variabilitas antara dokter
N Engl J Med. 2015; 372 (9): 835-845
di unit gawat darurat. Ann Emerg Med.
17. Beras TW, Wheeler AP, Bernard GR, Hayden DL,
Schoenfeld DA, Ware LB; National Institutes of 2012; 59 (1): 35-41
Health, National Heart, Lung, and Blood Institute
27. Fenix ​JB, Gillespie CW, Levin A, Dean
ARDS Network. Perbandingan rasio SpO2 / FIO2
N. Perbandingan peringatan dini pediatrik
dan PaO2 / FIO2 rasio pada pasien dengan
mencetak pendapat dokter untuk memburuk
cedera paru akut atau ARDS. Dada. 2007; 132 (2):
pasien. Hosp Pediatr.
410-417
2015; 5 (9): 474-479
28. Jo S, Kim K, Jung K, et al. Efek dari
18. Harrell FE Jr. Pemodelan regresi
menggabungkan indeks keparahan pneumonia
Strategi: Dengan Aplikasi untuk model Linear,
menjadi protokol masuk untuk
Logistik dan Ordinal Regresi, dan Analisis
komunitas-pneumonia. J Emerg Med. 2012; 42
Kelangsungan Hidup. ed 2. New York, NY: Springer;
(2): 133-138
2015
29. Atlas SJ, Benzer TI, Borowsky LH, et al. Aman
19. Reed C, Madhi SA, Klugman KP, et al. Pengembangan
meningkatkan proporsi pasien dengan
pernapasan Indeks Keparahan pada Anak (RISC)
pneumonia diperlakukan sebagai pasien rawat
skor antara anak-anak muda dengan infeksi saluran
jalan: sebuah percobaan intervensi. Arch Intern
pernapasan di Afrika Selatan. PLoS One.
Med.
1998; 158 (12): 1350-1356
2012; 7 (1): e27793
30. Marrie TJ, Lau CY, Wheeler SL, Wong CJ,
20. Bona fi de CP, Brady PW, Keren R, Conway PH,
Vandervoort MK, Feagan BG. Sebuah uji coba
Marsolo K, Daymont C. Pengembangan jantung dan
terkontrol dari jalur kritis untuk pengobatan
pernapasan kurva tingkat persentil untuk anak-anak
pneumonia communityacquired. MODAL Studi
dirawat di rumah sakit. Pediatri. 2013; 131 (4). Tersedia
Penyidik. CommunityAcquired Pneumonia
di: www. pediatri. org / cgi / konten / penuh / 131/4 /
Intervensi Percobaan Menilai Levo fl oxacin. JAMA.
E1150
21. Chameides L, Hazinski MF, American Academy 2000; 283 (6): 749-755
of Pediatrics. Pediatric Life Support Lanjutan. Dallas,
31. Barlow G, Nathwani D, Myers E, et al.
TX: American Heart Association; 1997
Mengidentifikasi hambatan administrasi yang
cepat dari antibiotik yang tepat di
22. Parshuram CS, Hutchison J, Middaugh komunitas-pneumonia. J Antimicrob
K. Pengembangan dan validasi awal dari Chemother.
Bedside Pediatric Peringatan Dini skor 2008; 61 (2): 442-451
System. Crit Care.
32. Lee RW, Lindstrom ST. Pengalaman Sebuah
2009; 13 (4): R135
rumah sakit pendidikan ini menerapkan
23. Slater A, Shann F, Pearson G; Indeks pediatrik dari Pneumonia Severity Index dan pedoman
Kematian (PIM) Study Group. PIM2: versi revisi antibiotik dalam pengelolaan pneumonia
dari Pediatric Indeks Kematian. Perawatan Intensif communityacquired. Respirologi.
Med. 2003; 29 (2): 278-285
2007; 12 (5): 754-758
WILLIAMS et al
 33. Nadarajan P, Wilson L, Mohammed
B, Connor M, Lane SJ. Kepatuhan dalam
pengukuran TROTOAR-65 pada pasien
dengan masyarakat pneumonia dan implikasi
potensial untuk debit awal. Ir Med J.
2008; 101 (5): 144-146
34. Bates DW, Kuperman GJ, Wang S, et al. Sepuluh
perintah untuk pendukung keputusan klinis yang
efektif: membuat praktek kedokteran berbasis
bukti
Pediatri Volume 138, nomor 4, Oktober 2016
sebuah kenyataan. J Am Med Menginformasikan Assoc.
2003; 10 (6): 523-530
35. McGinn TG, McCullagh L, Kannry J, et al. Efficacy
dari pendukung keputusan klinis berbasis bukti
dalam praktek perawatan primer: uji coba klinis
secara acak. JAMA Intern Med.
2013; 173 (17): 1584-1591
36. Coggins SA, Wynn JL, Bukit ML, et al. evaluasi sepsis
penggunaan komputerisasi C-reactive protein (CRP)
yang berbasis di
berat lahir sangat rendah (VLBW) bayi: a lima tahun
pengalaman. PLoS One.
2013; 8 (11): e78602
37. Neuman MI, Balai M, Gay JC, et al. Readmissions antara
anak-anak yang sebelumnya dirawat di rumah sakit
dengan pneumonia.
Pediatri. 2014; 134 (1): 100-109
38. Florin TA, Ambroggio L. Biomarker untuk
komunitas-pneumonia di departemen darurat. Curr
Menginfeksi Dis Rep. 2014; 16 (12): 451
11