ABSTRAK
Tujuan studi: Untuk mengembangkan sistem Early Warning Score (EWS) berdasarkan statistik
sifat tanda-tanda vital pada pasien rawat inap yang berisiko.
Bahan dan metode: Kumpulan data besar yang terdiri dari 64.622 jam data tanda vital, diperoleh
dari 863 pasien di rumah sakit yang sakit parah menggunakan monitor samping tempat tidur, digunakan untuk menyelidiki
sifat statistik dari empat tanda vital utama. Histogram yang dinormalisasi dan kumulatif
fungsi distribusi diplot untuk masing-masing dari empat variabel. Sistem peringatan berbasis centile
dimodelkan menggunakan database agregat.
Hasil: Rata-rata dan deviasi standar dari tanda-tanda vital populasi kami sangat mirip dengan
yang diterbitkan dalam penelitian sebelumnya. Jika dibandingkan dengan sistem EWS berdasarkan masa depan
hasilnya, nilai batas dalam sistem kami paling berbeda untuk laju pernapasan dan sistolik
tekanan darah. Dengan pengamatan empat jam dalam shift 12 jam, sekitar 1 dari 8 pasien berisiko
akan memicu sistem peringatan kami selama shift.
Kesimpulan: Sistem EWS berbasis centil akan mengidentifikasi pasien dengan tanda vital abnormal
terlepas dari hasil akhirnya dan karena itu lebih mungkin untuk menghasilkan peringatan ketika
disajikan dengan pasien dengan morbiditas yang dapat ditebus atau kematian yang dapat dihindari. Kami akan memulai
uji klinis step-wedge secara bertahap memperkenalkan versi elektronik dari sistem EWS kami di
bangsal trauma di rumah sakit pendidikan.
1. Perkenalan
Pada tahun 1997, Morgan dan rekan menggambarkan sistem skor peringatan dini (EWS) pertama, yang dirancang
untuk mengingatkan dokter untuk pasien yang memburuk menggunakan skor1 Banyak
agregat tertimbang dari tanda-tanda vital.
variasi skema ini telah diterbitkan. 2 Meskipun ada bukti bahwa fisiologis
3,4,5,6 sistem EWS belum terbukti
ketidakstabilan mendahului kerusakan klinis kritis,
2,7,8
meningkatkan hasil pasien.
Sebagian besar sistem EWS menggunakan bobot dan nilai batas untuk tanda-tanda vital yang diturunkan dari pakar
2,9,10 Kami berpendapat bahwa dugaan klinis dapat ditingkatkan dengan penentuan statistik
pendapat.
kisaran normalitas pada populasi berisiko, untuk setiap pengamatan tanda vital. dalam makalah ini
kami menggambarkan pengembangan sistem berbasis centile yang berasal dari informasi tersebut.
2. Metode
12 adalah
Komite Keselamatan ) proyek peningkatan kualitas untuk trauma bedah dewasa 24 tempat tidur.
Unit Bawah di rumah sakit pusat trauma level 1. Pada Fase 1 (perawatan standar), tanda vital berkelanjutan
data dikumpulkan dari monitor samping tempat tidur selama delapan minggu. Fase 3 adalah delapan minggu
fase intervensi, 13 di mana staf perawat menggunakan algoritme klinis untuk menanggapi peringatan
dari sistem fusi data (Visensia, OBS Medical, Abingdon, UK) yang terhubung ke sisi tempat tidur
monitor. Fase 2 adalah fase pelatihan untuk staf keperawatan.
2.2. Statistik
Histogram yang dinormalisasi (satuan luas di bawah kurva) dan fungsi distribusi kumulatif adalah
diplot untuk setiap variabel fisiologis (HR, RR,2SpO
dan SysBP), untuk setiap studi dan untuk 3
kumpulan data digabungkan.
distribusi satu sisi mulai dari 100%, nilai di atas 98 centtile akan memberikan skor 3,
Untuk memperkirakan jumlah peringatan yang diharapkan yang dihasilkan untuk frekuensi pasien yang berbeda
pengamatan, empat tanda vital dalam database dievaluasi menggunakan yang diusulkan berbasis centile
EWS pada interval N jam, untuk N = 4, 8, dan 12 jam. Median dari setiap tanda vital adalah
dihitung selama interval 1 menit berpusat pada waktu pengamatan.
3. Hasil
Karakteristik populasi pasien pada setiap penelitian ditunjukkan pada Tabel 1. CALMS1 Clarian UPMC (P1) UPMC(P3)
Jumlah pasien 169 70 324 300
Usia 71 ± 14 59 ± 19 58 ± 20 57 ± 20
(rata-rata ± sd)
Usia 74 ± 18 65 ± 23 59 ± 29 58 ± 28
(median ± IQR)
Jenis Kelamin (Laki-Laki) 57,4%
44,3% 58,9% 58,7%
Medis 63,3% 70,0% 13,5% 6%
Bedah 36,4% 30,0% 86,5% 94%
Kematian 9,8% 4,3% 2% 1%
Tabel 1 – Demografi pasien untuk CALMS1 (Oxford, UK), Clarian (Indianapolis, AS)
dan studi UPMC (Pittsburgh, AS)
2 BP sistolik
3.2. Bobot dan pisah batas diperkirakan dari database tanda vital
Histogram adalah perkiraan fungsi kepadatan probabilitas p(x) untuk random
variabel x. Fungsi distribusi kumulatif (cdf), P(x), adalah integral dari p(x). CDf untuk
setiap tanda vital ditunjukkan pada Gambar 2. Garis vertikal pada plot ini memungkinkan nilai batas untuk
ditentukan untuk setiap tanda vital. Untuk mengambil tingkat pernapasan sebagai contoh, 1% pasien memiliki
frekuensi pernapasan 7 napas/menit, 5% frekuensi 10 napas/menit, dan 10% frekuensi 13 napas/menit. Pada
ujung atas, 90% pasien memiliki laju pernapasan 26 napas / menit, 95% laju 29
napas/menit dan laju 99% 34 napas/menit.
Informasi yang diberikan pada Gambar 2 dapat dikonversi ke format tabel yang digunakan dalam track-and-
bentuk pemicu, seperti pada Tabel 3.
Gambar 2 – Plot fungsi distribusi kumulatif (cdf) untuk detak jantung, laju pernapasan,
2 dan SpO
tekanan darah sistolik, dihitung dari 64.622 jam data tanda vital yang diperoleh dari 863
pasien. Sentil [1, 5, 10, 90, 95, 99] ditampilkan pada sumbu vertikal dan yang sesuai
nilai cut-off pada sumbu horizontal. Untuk 2, yang
SpOmemiliki distribusi satu sisi, [80, 90,
98] centile digunakan sebagai gantinya.
Skor: 3210123
RR 7 8-10 11-13 14-25 26-28 29-33 34
SDM 50 51-58 59-63 64-104 105-112 113-127 128
SBP 85 86-96 97-101 102-154 155-164 165-184 185
SpO2
84 85-90 91-93 94
Tabel 3 – Rentang nilai untuk setiap pembobotan untuk tanda vital utama (RR, HR, SysBP dan
SpO2) dalam EWS berbasis sentil yang diusulkan berasal dari basis bukti 64.622 jam
terus menerus mencatat data tanda vital dari 863 pasien
Frekuensi pengamatan (M)
4 jam 8 jam 12 jam
4 jam 5,1% (4,1%)
8,9% (7,1%) 12,2%
(9,9%)
8 jam N/A 5,1% (4,1%)
7,0% (5,8%)
12 jam N/AN/A 5,3%
(4,4%)
Tabel 4 – Persentase pasien yang menghasilkan peringatan (skor total 4 atau lebih, atau tunggal)
variabel dengan skor 3) dalam jangka waktu N jam dengan EWS berbasis sentil, jika tanda-tanda vital
diamati setiap M jam. Angka dalam tanda kurung menunjukkan persentase pasien yang menghasilkan
waspada sebagai hasil dari skor tanda vital tunggal 3.
Analisis ini memungkinkan kita untuk memperkirakan sumber daya yang dibutuhkan untuk merawat pasien sebagai fungsi d
frekuensi pengamatan. Program untuk melakukan analisis jenis ini dengan definisi pengguna
EWS tersedia di http://www.robots.ox.ac.uk/~davidc/EWS . Sebagai pasien di database kami
dianggap berisiko tinggi terhadap perburukan klinis, angka-angka pada Tabel 4 mungkin berlebihan
memperkirakan tingkat peringatan populasi untuk seluruh spektrum pasien rawat inap yang dirawat di rumah sakit.
4. Diskusi
Kami telah menyajikan rentang nilai untuk empat tanda vital utama dalam rawat inap berisiko
populasi. Kami menyarankan agar dokter ingin diberi tahu ketika pasien mereka tersesat di luar
batas normalitas yang ditentukan oleh rentang ini. Sebaliknya, tampaknya masuk akal bahwa pasien
yang tanda-tanda vitalnya tetap dalam batas normal tidak boleh dinilai dalam sistem peringatan.
th th centtiles untuk menentukan batas tanpa-skor. Sistem berbasis centile
EWS kami menggunakan dan 90
10
memberikan dasar statistik untuk mengidentifikasi tanda-tanda vital di luar batas normalitas populasi.
Dibandingkan dengan sistem EWS yang ada, nilai batas kami paling berbeda untuk RR dan SysBP .
Sebagian besar pasien sakit akut di rumah sakit mengalami peningkatan laju pernapasan, seperti yang ditunjukkan oleh nilai r
dari 18.6 (SD 5.3) napas/menit (Tabel 2). Pada EWS terbaru, laju pernapasan 24 napas/menit,
yaitu dalam satu SD dari rata-rata (secara umum normal untuk populasi),8,14,15,16 Ini
skor tinggi.
mungkin karena dokter mendasarkan nilai "normal" pada mereka untuk populasi muda yang sehat, bukan
daripada populasi yang lebih tua dan dirawat di rumah sakit. SysBP menunjukkan perilaku sebaliknya. Beberapa sistem EWS
7,14,15 namun seorang pasien dengan SysBP 190 mmHg masuk
tidak mendapat skor untuk hipertensi 250mmHg,
persentil tertinggi untuk tekanan darah dan akan ditinjau dalam sistem kami. Hipertensi,
14,17 tapi ini benar
tidak seperti hipotensi, tampaknya tidak terkait dengan kematian yang akan segera terjadi,
tidak menjadikannya penanda yang buruk dari perburukan klinis awal. Jika pasien menderita hipertensi kronis,
sistem EWS dapat disesuaikan (pada peringatan pertama) untuk memperhitungkan hal ini. Jika hipertensi adalah
bukan disebabkan oleh suatu peristiwa yang menyebabkan rasa sakit atau kesusahan, itu mungkin merupakan penanda awal
daripada ketika dekompensasi kardiovaskular (dengan hipotensi) terjadi.
Tidak dapat diselamatkan Mati pada waktu T2
(Kategori 3)
Mati pada waktu T2
Dapat diselamatkan
(Tidak terselamatkan)
(Kategori 2b)
Dapat diselamatkan
(Kategori 2a) Hidup pada waktu T2
(Diselamatkan) X X' Y Y'
Stabil
(Kategori 1) Hidup pada waktu T2
Gambar 3 – Pengukuran tanda vital dilakukan pada waktu T1 ketika ada 3 kategori pasien
(stabil, dapat diselamatkan dan tidak dapat diselamatkan) yang tidak diketahui oleh pengamat. Hanya ada 2
hasil pada waktu T2 (mati atau hidup) dipisahkan oleh batas klasifikasi YY‟
Seperti yang ditunjukkan pada Gambar 3, ada tiga kategori pasien di T1, tetapi ini tidak diketahui oleh
pengamat: pasien akan mati terlepas dari intervensi (“tidak dapat diselamatkan”); pasien akan bertahan, bahkan
tanpa intervensi ("stabil"); dan pasien mungkin "dapat diselamatkan" sebagai akibat dari intervensi
dipicu oleh pengamatan tanda-tanda vital yang abnormal. Idealnya, optimasi AUROC adalah
dilakukan dengan menggunakan tiga kategori di T1 untuk menetapkan ambang batas EWS untuk peringatan secara optimal
nilai, yang sesuai dengan batas XX‟ pada Gambar 3. Jika kita dapat menggunakan XX‟ untuk mengatur
ambang peringatan, intervensi tidak akan dipicu untuk pasien stabil yang akan baik-baik saja di
kasus apa pun (kategori 1), tetapi intervensi akan dipicu untuk semua kasus lainnya (kategori 2 dan 3),
sehingga memaksimalkan jumlah pasien yang dapat diselamatkan yang diselamatkan. Namun, kita tidak bisa
gunakan XX‟ sebagai ambang batas untuk peringatan karena tiga kategori di sisi kiri Gambar 3 adalah
tidak diketahui.
Untuk pasien dalam kumpulan data yang ditinjau secara retrospektif untuk membuat sistem EWS berbasis hasil
("set data pelatihan"), pengamatan tanda vital abnormal di T1 akan memicu
intervensi yang menghasilkan proporsi pasien yang dapat diselamatkan (kategori 2) diselamatkan
pada T2 (kategori 2a), meskipun tidak semuanya terselamatkan (kategori 2b). Ketika berbasis hasil
Sistem EWS digunakan secara prospektif pada pasien baru, akan merugikan pasien kategori 2a
(mereka yang sebelumnya "diselamatkan" setelah dikenali oleh pemantauan tanda vital
sistem yang digunakan pada saat "set data pelatihan" diperoleh). Ini karena ambang batas EWS
berdasarkan batas YY‟ tidak akan menghasilkan peringatan untuk pasien ini (karena pasien ini di
"set data pelatihan" berada di T2 ke kelas hidup) dan karena itu sistem EWS tidak akan
meminta intervensi.
Singkatnya, kami berpendapat bahwa tidak valid untuk menggunakan optimasi AUROC untuk menetapkan ambang batas EWS
pengambilan keputusan di T1 (waspada/tidak waspada) berdasarkan klasifikasi (mati/hidup) di T2, karena ini
memperlakukan dua kelompok pasien di bawah batas YY‟ dalam "set data pelatihan" sebagai hal yang sama
(klasifikasi yang sama pada T2) dan karenanya mendiskriminasikan pasien kategori 2a. sistem EWS
yang menggunakan data hasil di T2 untuk mendapatkan aturan prediktif dari pengukuran tanda vital di T1 adalah
19 Pendekatan seperti itu adalah
berdasarkan pendekatan yang awalnya dikembangkan untuk mengevaluasi tes diagnostik.
valid dalam pengaturan diagnostik karena penyakit (hasil) ada atau tidak pada saat
pengujian.
Ada masalah lebih lanjut yang terkait dengan memilih kematian atau masuk ICU sebagai hasilnya.
20 merekomendasikan agar sistem EWS memungkinkan identifikasi cepat dari mereka yang ada di
Pedoman Inggris terbaru
risiko perburukan klinis. Berfokus pada nilai-nilai tanda vital yang merupakan prediksi selanjutnya
kematian / masuk ICU belum tentu cara terbaik untuk menemukan nilai-nilai yang mengidentifikasi awal
perburukan, paling tidak karena keterlambatan dalam mendeteksi perburukan klinis dapat meningkatkan morbiditas
tanpa menyebabkan masuk ICU atau kematian. Sayangnya, tidak ada hasil biner yang jelas untuk
kerusakan awal. Peristiwa seperti eskalasi/tidak ada eskalasi perawatan sulit untuk didefinisikan secara tepat,
6,21
tergantung pada penilaian dan hanya memperhitungkan kerusakan yang diakui, membuatnya
klinis
tidak mungkin untuk menetapkan ambang batas EWS untuk peringatan berdasarkan "hasil penurunan awal"
di T1.
Pendekatan kami bergantung pada asumsi yang berbeda. Pertama, diasumsikan bahwa tanda-tanda vital normal
pasien (kategori 1) terutama terletak dekat dengan pusat distribusi probabilitas mereka (yaitu mereka
yang "paling normal"), pasien yang tidak dapat diselamatkan (kategori 3) di tepi ekstrem ("paling"
abnormal"), dan pasien yang memburuk tetapi dapat diselamatkan (kategori 2) di antara keduanya.
Asumsi ini seharusnya tidak diperdebatkan, karena merupakan prinsip yang mendasari peringatan dini
skor berdasarkan pengukuran tanda vital. Data tanda vital dari pasien kategori 2a adalah:
dimasukkan dalam model statistik dengan cara yang sama seperti data dari semua pasien lain (menghindari
masalah kesalahan klasifikasi seperti pada optimasi AUROC berdasarkan hasil pada T2).
th dan
Dalam menetapkan nilai batas untuk skor 2 pada 5 95
persentil, kita asumsikan bahwa 10%
kebanyakan pasien abnormal akan mendapat skor 2 atau 3 untuk setidaknya satu tanda vital. Untuk pendekatan pertama,
10% pasien paling abnormal ini terdiri dari 3,4% pasien dari kategori 2b dan 3 (diberikan
tingkat kematian 3,4% dalam dataset kami) dan dari 6,6% pasien yang selamat tetapi
tanda-tanda vital yang tidak normal. Sebagian besar pasien dengan skor 2 untuk setidaknya satu tanda vital harus
oleh karena itu termasuk dalam kategori 2a, karena mereka sangat tidak mungkin menjadi kategori stabil 1
pasien.
Kecuali jika tanda-tanda vital pasien kategori 2a kurang terwakili dalam dataset kami (dan karenanya dalam
distribusi probabilitas), tampaknya pasien ini akan waspada menggunakan yang diusulkan
persentil. Tentu saja, pengenalan fisiologi abnormal pada pasien ini dalam penelitian kami
kumpulan data akan mengarah pada intervensi dan perbaikan selanjutnya dalam tanda-tanda vital mereka.
Namun, tanda-tanda vital yang paling abnormal untuk pasien ini akan dicatat (setiap lima menit).
detik) dalam beberapa jam sebelum intervensi klinis, dan dataset kami berisi periode panjang
tanda-tanda vital secara bertahap menjadi lebih abnormal untuk pasien yang waspada dan kemudian
pulih. 6,12,13
Sistem kami saat ini menimbang deviasi rendah dan tinggi secara merata. Apakah ini optimal untuk
mendeteksi kerusakan dini memerlukan penyelidikan lebih lanjut. Dalam 24 jam sebelum kematian,
serangan jantung atau masuk ICU yang tidak direncanakan, pernapasan rendah dan denyut jantung lebih umum
daripada nilai 5tinggi.
Ini menunjukkan bahwa tarif rendah harus diberi bobot lebih. Namun, ini rendah
nilai mungkin hanya menjadi penanda peristiwa agonal, daripada berguna ekstra dalam mendeteksi dini
kemerosotan.
Penelitian kami juga terbatas karena didasarkan pada analisis retrospektif pasien rawat inap berisiko tinggi
pasien. Namun, nilai rata-rata untuk setiap tanda vital sangat mirip dengan sebelumnya
nilai yang dipublikasikan untuk populasi14yang
Penggunaan
dirawat di
data
rumah
yangsakit.
direkam secara terus menerus dari
monitor pasien telah memungkinkan kami untuk memperkirakan distribusi variabel fisiologis dari
ribuan jam data. Meskipun data tanda vital dari monitor pasien tidak divalidasi,
kelancaran fungsi distribusi kumulatif kami menunjukkan bahwa pengukuran artefaktual adalah
jumlahnya relatif rendah (dan terdistribusi secara acak).
Basis data kami tidak menyertakan informasi terperinci tentang keluaran urin dan tingkat kesadaran, faktor
biasanya disertakan dalam sistem EWS. Karena keluaran urin adalah variabel kontinu, nilai batasnya
dapat diatur seperti yang telah kami jelaskan. Pengukuran tingkat kesadaran, seperti Glasgow Coma
Skala (GCS) atau skala AVPU, bagaimanapun, tidak kontinu, dan pemetaan antara
Skor 1/2/3 EWS dan skala GCS atau AVPU mungkin harus non-linear. Jelas keduanya urin
output dan tingkat kesadaran dapat ditambahkan ke sistem yang kami usulkan. Sistem EWS lainnya juga
termasuk terapi oksigen di SpO
2 skor. Faktor ini tidak dicatat dalam dataset kami dan penggunaannya
membutuhkan penyelidikan.
Terakhir, kelemahan yang melekat pada semua sistem EWS berbasis data adalah rendahnya jumlah data dari
orang muda yang digunakan dalam konstruksi model. Jika (seperti yang diharapkan) pola fisiologis
perburukan berbeda dengan usia, pasien yang lebih muda mungkin dirugikan karena mereka
diwakili dalam populasi studi. Pekerjaan awal kami menunjukkan bahwa nilai cut-off yang berbeda untuk low
denyut jantung (bradikardia) harus digunakan untuk orang dewasa yang lebih muda. Topik ini membutuhkan pekerjaan lebih
semua tanda vital.
Terlepas dari keterbatasan ini, kami percaya bahwa metodologi kami telah menghasilkan sistem EWS
dirancang untuk mengingatkan dokter untuk fisiologi abnormal pada populasi berisiko. Sebagai cut-off kami
nilai berbeda dari sistem sebelumnya, sistem yang kami usulkan akan mengingatkan dokter untuk
populasi yang berbeda atau populasi yang sama pada waktu yang berbeda.
5. Kesimpulan
Pendekatan statistik berbasis centile kami sejalan dengan tujuan awal Peringatan Dini
Skor, yaitu identifikasi kelainan fisiologis pada saat tes. 1,22 Pengamatan
diperlakukan sebagai abnormal jika terletak pada distribusi tanda-tanda vital yang ekstrem
diperoleh dari set perwakilan pasien rawat inap yang berisiko. Sistem EWS berdasarkan seperti itu
pendekatan memiliki potensi untuk mengidentifikasi pasien dengan tanda-tanda vital abnormal dan lebih mungkin untuk
pemicu ketika disajikan dengan pasien dengan morbiditas yang dapat ditebus atau kematian yang dapat dihindari
(pasien yang dapat diselamatkan).
Apakah penggunaan sistem kami akan menghasilkan peningkatan hasil pasien perlu diuji. Kita
sedang memulai uji klinis step-wedge secara bertahap memperkenalkan versi elektronik kami
sistem (termasuk suhu dan AVPU) di bangsal trauma dalam pengajaran berukuran sedang
rumah sakit, yang akan memungkinkan kita untuk mengukur efeknya pada hasil pasien.
Referensi
1. Morgan R, Williams F, Wright M. Sistem penilaian peringatan dini untuk mendeteksi perkembangan
penyakit kritis. Perawatan Intensif Clin 1997;8:100.
2. Gao H, McDonnell A, Harrison DA, dkk. Tinjauan sistematis dan evaluasi fisiologis
melacak dan memicu sistem peringatan untuk mengidentifikasi pasien berisiko di bangsal. Perawatan intensif
Med 2007;33:667-679.
4. Jacques T, Harrison GA, McLaws ML, Kilborn G. Tanda-tanda kondisi kritis dan darurat
tanggapan (sepak bola): Sebuah model untuk memprediksi efek samping dalam pengaturan rawat inap. Resusitasi
2006;69:175-183.
5. Krause J, Smith G, Prytherch D, dkk. Perawatan Intensif S, Australia, Selandia Baru Intensif
Uji Klinis Care Society G. Perbandingan anteseden dengan serangan jantung, kematian, dan
penerimaan perawatan intensif darurat di Australia dan Selandia Baru, dan Inggris -
studi Akademisi. Resusitasi 2004;62:275-282.
6. Watkinson PJ, Barber VS, Harga JD et al. Sebuah uji coba terkontrol secara acak dari efek
pemantauan fisiologis elektronik terus menerus pada tingkat kejadian buruk dalam medis berisiko tinggi
dan pasien bedah. Anestesi 2006;61:1031-1039.
7. Hillman KA, Chen J, Cretikos M dkk. Pengenalan tim darurat medis (bertemu)
sistem: Sebuah uji coba terkontrol klaster-acak. Lancet 2005;365:2091-2097.
8. Subbe CP, Davies RG, Williams E di al. Efek memperkenalkan peringatan dini yang dimodifikasi
skor pada hasil klinis, henti jantung-paru dan pemanfaatan perawatan intensif di akut
penerimaan medis. Anestesi 2003;58:797-802.
9. Cuthbertson BH, Smith GB. Peringatan tentang skor peringatan dini! Br J Anaesth 2007;98:704-
706.
10. Cuthbertson BH, Boroujerdi M, McKie L dkk. Bisakah variabel fisiologis dan awal
sistem penilaian peringatan memungkinkan pengenalan awal pasien bedah memburuk? Perawatan Kritik
Med 2007;35:402-409.
11. Woods JR, Pohlman T, Jackson J, dkk. Nilai Prediktif Jaringan Saraf Otomatis
Sistem Peringatan Dini Berbasis untuk Melacak Status Fisiologis Pasien Rawat Inap. Clarian
Laporan Teknis Mitra Kesehatan, Februari 2009.
13. Hravnak M, DeVita M, Clontz A dkk. Ketidakstabilan kardio-pernapasan sebelum dan sesudah
menerapkan sistem pemantauan terpadu. Crit Care Med 2011;39:65-72.
14. Prytherch DR, Smith GB, Schmidt PE, Featherstone PI. ViEWS – Menuju awal nasional
skor peringatan untuk mendeteksi kerusakan rawat inap dewasa. Resusitasi 2010; 81:932-937.
15. Duckitt RW, Buxton-Thomas R, Walker J et al. Sistem penilaian fisiologis yang berharga:
Derivasi dan validasi sistem peringatan dini fisiologis untuk penerimaan medis. Sebuah
observasional, studi pusat tunggal berbasis populasi. Sdr J Anaesth 2007;98:769-774.
16. Odell M, Rechner IJ, Kapila A, Even T, Oliver D, Davies CW, dkk. Efek kritis
layanan penjangkauan perawatan dan sistem penilaian peringatan dini pada pencatatan laju pernapasan di
bangsal umum. Resusitasi 2007;74:470-5.
17. Hodgetts TJ, Kenward G, Vlachonikolis IG, Payne S, Castle N. Identifikasi risiko
faktor untuk serangan jantung dan perumusan kriteria aktivasi untuk memperingatkan keadaan darurat medis
tim. Resusitasi 2002;54:125-31.
18. Smith GB, Prytherch DR, Schmidt PE, Featherstone PI. Tinjauan dan evaluasi kinerja
dari sistem track and trigger‟ agregat. Resusitasi 2008; 77:170-179
19. Altman DG, Bland JM. Catatan Statistik: Tes diagnostik 3: karakteristik pengoperasian receiver
plot. BMJ 1994;309:188.
20. Pedoman National Institute for Health and Clinical Excellence (NICE) CG50 (2007);
Pasien sakit akut di rumah sakit: Pengakuan dan respons terhadap penyakit akut pada orang dewasa di rumah sakit.
22. Morgan RJ, Wright MM. Dalam mempertahankan skor peringatan dini. sdr. J Anaesth 2007; 99(5):747-
748.