引用本文： 杨晓, 周会兰, 王玲, 方杰, 杨茂凡, 陈柯宇, 高杰. 重返ICU风险预测模型的系统评价. 中国循证医学杂志, 2023, 23(1): 67-74. doi: 10.7507/1672-2531.202207148 复制
重返重症监护室（intensive care unit，ICU）是指患者因各种原因导致病情反复或加重需再次返回ICU治疗[1]。因重返ICU间隔时间无统一标准，其发生率为0.8%～19.8%，存在较大差异[2-3]。ICU重返率不仅是衡量三级综合医院医疗质量的重要指标之一，也是重症护理领域护理质量评价的敏感指标[4]。重返ICU不仅会使患者出现不同程度的并发症[5]，延长住院时间，增加死亡率，还会加重其经济压力和医疗卫生系统人力资源负担[6]。有研究表明，超过10%的患者重返ICU是可预防的[7]，但有效预防的前提是对重返ICU的风险进行评价，并根据患者重返ICU风险大小给予有针对性的干预措施。目前，将患者转出ICU的决定受医生对患者病情转归判断、可用ICU床位数量、家庭成员的决策、提高住院患者周转率等相关因素的影响[8]，一些具有高风险的患者因提早转出而需要重返ICU治疗。重返ICU风险预测模型作为评价和筛查高风险人群的工具，有助于指导ICU医务人员有效筛查、识别重返ICU人群，提高重返ICU预警意识，降低ICU重返率。国外自2008年起便开展了10余个构建重返ICU风险预测模型的研究，而我国自2019年至今仅发表了4个研究。各研究间质量和结果不一且尚无研究对重返ICU预测模型进行系统评价。因此，本研究对国内外有关重返ICU风险预测模型进行系统评价，以期为相关预测模型的构建、应用和优化提供参考依据。
1 资料与方法
1.1 纳入与排除标准
1.1.1 研究类型
队列研究、病例-对照研究和横断面研究。
1.1.2 研究对象
ICU住院时间≥24小时的患者，从ICU转出后24小时、48小时、7天或同一住院期间重返ICU。
1.1.3 研究内容
重返ICU风险预测模型的构建，及模型的建立过程。
1.1.4 排除标准
① 非中、英文文献；② 不能获取原文或数据不完整；③ 重复发表的研究；④ 模型包含的预测变量<2个。
1.2 文献检索策略
计算机检索CNKI、WanFang Data、VIP、CBM、PubMed、EMbase、Web of Science和The Cochrane Library数据库，搜集有关重返ICU风险预测模型的研究，检索时限均为建库至2022年6月12日。检索采用主题词与自由词相结合的方式进行，并根据各数据库特点进行调整。同时检索纳入研究的参考文献，以补充获取相关资料。英文检索词包括：readmissions、readmi*、return*、reback*、intensive care unit、ICU、model*、prediction model、prognostic model、prognos*、risk factor*等；中文检索词包括：重返、重回、危重症、重症护理、重症监护室、ICU、模型、预测模型、预测、危险因素等。以PubMed为例，其具体检索策略见框1。
图
1.3 文献筛选与资料提取
由2名研究者独立筛选文献、提取资料并交叉核对。如有分歧，则通过讨论或与第三方协商解决。文献筛选时首先阅读文题，在排除明显不相关的文献后，进一步阅读摘要和全文以确定是否纳入。如有需要，通过邮件、电话联系原始研究作者获取未确定但对本研究非常重要的信息。资料提取内容包括：第一作者、发表年份、国家、研究类型、ICU类型、预测结果、候选变量、样本量、缺失数据、建立模型方法、变量选择、受试者工作曲线下面积（area under receiver operator characteristic curve，AUROC）、验证方法、模型呈现形式和最终包含的预测因子。
1.4 纳入研究的偏倚风险评价
由2名研究者独立评价纳入研究的偏倚风险，并交叉核对结果。偏倚风险评价采用预测模型研究的偏倚风险评价工具（prediction model risk of bias assessment tool，PROBAST）[9]。
1.5 统计分析
采用定性系统评价方法对纳入研究特征和结果进行分析。
2 结果
2.1 文献筛选流程及结果
初检共获得相关文献1 318篇，经逐层筛选，最终纳入15个研究[10-24]。文献筛选流程及结果见图1。
图1
文献筛选流程及结果
*所检索数据库及检出文献具体如下：CNKI（
2.2 纳入研究的基本特征和偏倚风险评价结果
纳入研究的基本特征见表1。纳入研究的偏倚风险评价结果见表2。
表1
纳入研究的基本特征
表2
纳入研究的偏倚风险评价结果
2.3 纳入模型的建立情况
纳入研究共报告了23个重返ICU风险预测模型。各研究的候选预测变量数为9～180个。有5个研究[11,14,19,21,24]将连续性变量转换成了二分类变量。模型建立方法方面，11个研究[10-11,13,18-24]只采用Logistic回归方法建模，1个研究[15]采用Logistic回归与梯度提升决策树2种方法，1个研究[12]采用Logistic回归、随机森林、集成学习提升、梯度提升决策树4种方法，1个研究[17]采用Logistic回归、梯度提升、随机森林、支持向量机、轻量级梯度提升5种方法。9个研究[12-13,15,17-18,20-21,23-24]仅进行内部验证，2个研究[10,16]仅进行外部验证，2个研究[14,22]采用内部验证和外部验证相结合的方式对模型进行评价，2个研究[11,19]未对模型进行验证。23个模型AUROC为0.609～0.924，8个研究[10,13-14,16,18,22-24]报告了模型验证的AUROC为0.608～0.806。有2个研究[14,19]仅报告了区分度指标，而未报告校准度指标。模型最终呈现形式也不尽相同，有4个研究[16,19,23-24]以风险评分的方式呈现结果，3个研究[10,12-13]得出了计算重返ICU发生率的公式，4个研究[11,18,20-21]以列线图的方式呈现。模型的建立情况见表3。
表3
重返ICU预测模型的建立情况
2.4 纳入模型的预测因子
23个预测模型包含4～91个预测因子。其中9个模型无法获取具体纳入的预测因子，14个模型出现频率前20的预测因子见图2。出现频次较高的前5个预测因子依次为：年龄、ICU住院时长、心率、呼吸和入科诊断。
图2
重返ICU预测模型出现频次前20的预测因子
3 讨论
本研究共纳入15个研究，包括23个预测模型。其中9个为模型开发研究，6个为模型开发与验证研究。23个预测模型的AUROC为0.609～0.924，其中20个预测模型的AUROC>0.7，说明以上模型具有较好的预测性能。国外学者较早开始探索重返ICU风险预测模型，虽已开展多个研究，但多数为单中心、回顾性研究，缺乏外部验证，且因文化差异等因素影响，是否适用于我国患者有待商榷。
Gajic等[22]于2008年构建的重返ICU风险预测模型SWFIT评分是最早且较常用的风险预测模型，在多个研究中[14,16,18,20]被进一步验证并与其他预测模型的预测性能进行比较。Rojas等[14]基于机器学习方法构建的模型预测的预测性能（AUROC：0.76）较SWFIT评分（AUROC：0.65）好。同样，Desautels等[16]、Martin等[18]和Frost等[20]所构建的预测模型预测性能均优于SWFIT评分。可见，由于医学科技的进步，早期的预测模型由于未进行进一步的校准与更新可能并不适用于现在的临床实践，应充分结合实际情况慎重选择模型。
风险预测模型的质量由研究设计类型、建模方法、统计分析多个方面决定。本研究纳入的15个研究偏倚风险均为高风险，主要与以下方面有关：在研究设计方面，9个研究[12-15,17-18,20,23-24]为回顾性队列研究，3个研究[10-11,19]为病例-对照研究，1个研究[16]为横断面研究。有研究[25]认为利用已有数据进行预测模型的构建，不一定能较好地满足模型研究需要，可能形成选择偏倚和回忆偏倚，降低研究质量。在建模方法方面，13个预测模型采用Logistic回归方法建模，平均AUROC为0.794。10个预测模型采用不同机器学习方法建模，平均AUROC为0.797。机器学习作为人工智能学习方法的一个重要分支，可对海量数据的输入特征进行分析，自主学习并做出推断与预测[26]。有3个研究同时采用Logistic回归和机器学习方法构建风险预测模型。其中，在Thoral等[17]的研究中，包含了107个预测因子的Logistic回归模型（AUROC：0.783）预测性能稍高于机器学习模型预测性能（梯度提升AUROC：0.78；随机森林AUROC：0.78）。然而，林瑜等[12]采用基于机器学习的三种集成学习算法（随机森林、自适应提升算法、梯度提升决策树）和Logistic回归方法构建了4个重返ICU风险预测模型，结果显示，机器学习模型的预测性能（随机森林AUROC：0.827；自适应提升算法AUROC：0.851；梯度提升决策树AUROC：0.858）优于Logistic回归(AUROC：0.81)。同样，Pakbin等[15]采用梯度下降增强方法构建的集成树模型预测性能（AUROC：0.84）也高于Logistic回归模型（AUROC：0.81）。可见，Logistic回归法与机器学习法在不同的数据集里可产生不同的结果，尚不能确定采用哪种方法构建的预测模型更好。因此，建立模型方法的选择上除了传统Logistic回归方法外，还可在临床实践的基础上借助人工智能等方法提高模型的科学性。在统计分析方面，所有研究均为高风险，主要原因包括预测模型样本量缺乏、将连续性变量转化成≥2类别的变量、忽略缺失数据、根据单因素分析结果筛选预测因子、预测模型的性能评估缺乏评判指标、未对模型进行验证。在构建风险预测模型的样本量方面，3个研究[11,18,23]在模型开发中样本量不足，2个研究[10,22]模型验证样本量不足。对于模型开发研究，为防止模型出现过度拟合，每个变量所对应的事件发生数应≥20[27]，对于模型验证研究，结果事件<100可能会造成偏倚[28]。5个研究[11,14,19,21,24]将连续性变量转化为二分类变量，降低了模型的预测能力，在分析数据时，连续性变量尽量不要转为二分类变量，否则应补充内部验证和收缩回归系数以调整过度拟合[29]。12个研究[12-20,22-24]存在缺失数据，对于缺失数据的处理，1个研究[23]直接删除了缺失数据，8个研究[11,14,16-20,22]未明确提及处理缺失数据的方法，直接删除缺失数据的处理方法可能会导致纳入分析的都是极端值，可采用多重插补等方法处理删失数据。Gajic等[22]采用单因素分析筛选变量，会因自变量间的共线性等问题造成有效预测因子的丢失，特别是当结局事件过少、结局事件数/待筛选变量数比值过小时，过度拟合问题更为突出，变量的筛选应根据临床知识、测量成本、预测因素的可靠性和适用性确定筛选方法[30]。在模型性能评估方面，3个研究[11,14,19]仅报告区分度，未评估校准度。现有预测模型偏倚风险较高，在以后的研究中可参考PROBAST[9]中的相关条目，通过严谨的研究设计实现高质量预测模型的构建。
另外，纳入研究中2个研究场所为专科ICU。其中，郝芳芳等[11]以肝胆胰术后ICU患者为研究对象构建的重返ICU预测模型预测效能最好（AUROC：0.924），其次为徐剑锋[21]等以心胸外科ICU患者为研究对象的重返ICU预测模型（AUROC：0.894）。但以上两个模型尚未进行外部验证，其外推性有待进一步研究。Badawi等[13]将在来自不同类型ICU的469 976名患者构建的重返ICU预测模型分别在7个不同类型的ICU患者中进一步验证，7个ICU的实际重返ICU患者数与预测重返ICU患者数的比值范围在0.96～1.12，可见，该模型在不同类型ICU的预测精准度差异不大。ICU患者病种复杂，未来可将研究对象聚焦于单一类型的ICU患者，并需加强对不同类型ICU患者重返ICU影响因素的研究，以构建具有专科性的重返ICU预测模型，也可构建适用ICU类型广且有较好预测效能的高质量预测模型。
由于研究类型和纳入变量的差异，各研究所纳入的预测因子不尽相同，但本研究发现各研究的预测因子存在一定共性。本研究对出现频率较高的5个风险预测因子（年龄、ICU住院时长、心率、呼吸、入科诊断）进行探讨。8个模型将年龄纳入模型的预测因子，对于儿童患者，年龄越小，重返ICU发生风险越高，可能与患儿年龄过小、免疫力低、并发感染等风险较高有关。对于成年患者，高龄患者重返ICU风险高，可能因合并多种疾病且机体免疫力低下，易发生压疮、呼吸机相关肺炎等并发症，疾病恢复相对较为缓慢，进而增加重返ICU的风险，与周娥等[8]研究结果一致。但由于研究对象不同，年龄在不同研究中的临界值不同。ICU住院时间长说明患者病情危重且复杂，ICU相关并发症发生几率大，此类患者重返ICU风险高。心率在不同研究中分为出院前24小时心率>100次/min或<50次/min、心率最大值、心率最小值及心率变异性，因此，研究间的异质性较大。呼吸也是纳入较多的预测因子，但不同的研究中包含了呼吸变异性、平均呼吸次数、出院前24小时呼吸次数。研究显示，入科诊断为呼吸系统疾病的患者因转出后的环境改变无法保持呼吸功能，重返ICU风险增加[10,19]。另外，Haribhakti等[23]认为入院诊断为脓毒症的患者重返ICU风险高，脓毒症的患者伴多处感染病灶，可致全身器官功能及循环障碍。因此，医务工作者应针对ICU高龄患者及低龄的儿童患者、ICU住院时间长、转出前24小时呼吸和心率异常患者、入科诊断为呼吸系统疾病及脓毒症的患者给予更多的关注，以早期识别重返ICU的风险。
本研究的局限性：① 本研究仅纳入了可检索到的中、英文文献，可能存在发表偏倚；② 由于不同研究的纳入标准、研究设计存在差异，导致仅对研究结果做定性分析，未做定量分析；③ 本研究纳入模型的结局指标定义及适用对象存在一定的异质性，重返ICU发生率在不同定义及人群间存在一定差异。
综上所述，重返ICU风险预测模型的整体预测性能较好，但研究类型及结局指标存在差异，模型的临床价值有待进一步研究。
重返重症监护室（intensive care unit，ICU）是指患者因各种原因导致病情反复或加重需再次返回ICU治疗[1]。因重返ICU间隔时间无统一标准，其发生率为0.8%～19.8%，存在较大差异[2-3]。ICU重返率不仅是衡量三级综合医院医疗质量的重要指标之一，也是重症护理领域护理质量评价的敏感指标[4]。重返ICU不仅会使患者出现不同程度的并发症[5]，延长住院时间，增加死亡率，还会加重其经济压力和医疗卫生系统人力资源负担[6]。有研究表明，超过10%的患者重返ICU是可预防的[7]，但有效预防的前提是对重返ICU的风险进行评价，并根据患者重返ICU风险大小给予有针对性的干预措施。目前，将患者转出ICU的决定受医生对患者病情转归判断、可用ICU床位数量、家庭成员的决策、提高住院患者周转率等相关因素的影响[8]，一些具有高风险的患者因提早转出而需要重返ICU治疗。重返ICU风险预测模型作为评价和筛查高风险人群的工具，有助于指导ICU医务人员有效筛查、识别重返ICU人群，提高重返ICU预警意识，降低ICU重返率。国外自2008年起便开展了10余个构建重返ICU风险预测模型的研究，而我国自2019年至今仅发表了4个研究。各研究间质量和结果不一且尚无研究对重返ICU预测模型进行系统评价。因此，本研究对国内外有关重返ICU风险预测模型进行系统评价，以期为相关预测模型的构建、应用和优化提供参考依据。
1 资料与方法
1.1 纳入与排除标准
1.1.1 研究类型
队列研究、病例-对照研究和横断面研究。
1.1.2 研究对象
ICU住院时间≥24小时的患者，从ICU转出后24小时、48小时、7天或同一住院期间重返ICU。
1.1.3 研究内容
重返ICU风险预测模型的构建，及模型的建立过程。
1.1.4 排除标准
① 非中、英文文献；② 不能获取原文或数据不完整；③ 重复发表的研究；④ 模型包含的预测变量<2个。
1.2 文献检索策略
计算机检索CNKI、WanFang Data、VIP、CBM、PubMed、EMbase、Web of Science和The Cochrane Library数据库，搜集有关重返ICU风险预测模型的研究，检索时限均为建库至2022年6月12日。检索采用主题词与自由词相结合的方式进行，并根据各数据库特点进行调整。同时检索纳入研究的参考文献，以补充获取相关资料。英文检索词包括：readmissions、readmi*、return*、reback*、intensive care unit、ICU、model*、prediction model、prognostic model、prognos*、risk factor*等；中文检索词包括：重返、重回、危重症、重症护理、重症监护室、ICU、模型、预测模型、预测、危险因素等。以PubMed为例，其具体检索策略见框1。
图
1.3 文献筛选与资料提取
由2名研究者独立筛选文献、提取资料并交叉核对。如有分歧，则通过讨论或与第三方协商解决。文献筛选时首先阅读文题，在排除明显不相关的文献后，进一步阅读摘要和全文以确定是否纳入。如有需要，通过邮件、电话联系原始研究作者获取未确定但对本研究非常重要的信息。资料提取内容包括：第一作者、发表年份、国家、研究类型、ICU类型、预测结果、候选变量、样本量、缺失数据、建立模型方法、变量选择、受试者工作曲线下面积（area under receiver operator characteristic curve，AUROC）、验证方法、模型呈现形式和最终包含的预测因子。
1.4 纳入研究的偏倚风险评价
由2名研究者独立评价纳入研究的偏倚风险，并交叉核对结果。偏倚风险评价采用预测模型研究的偏倚风险评价工具（prediction model risk of bias assessment tool，PROBAST）[9]。
1.5 统计分析
采用定性系统评价方法对纳入研究特征和结果进行分析。
2 结果
2.1 文献筛选流程及结果
初检共获得相关文献1 318篇，经逐层筛选，最终纳入15个研究[10-24]。文献筛选流程及结果见图1。
图1
文献筛选流程及结果
*所检索数据库及检出文献具体如下：CNKI（
2.2 纳入研究的基本特征和偏倚风险评价结果
纳入研究的基本特征见表1。纳入研究的偏倚风险评价结果见表2。
表1
纳入研究的基本特征
表2
纳入研究的偏倚风险评价结果
2.3 纳入模型的建立情况
纳入研究共报告了23个重返ICU风险预测模型。各研究的候选预测变量数为9～180个。有5个研究[11,14,19,21,24]将连续性变量转换成了二分类变量。模型建立方法方面，11个研究[10-11,13,18-24]只采用Logistic回归方法建模，1个研究[15]采用Logistic回归与梯度提升决策树2种方法，1个研究[12]采用Logistic回归、随机森林、集成学习提升、梯度提升决策树4种方法，1个研究[17]采用Logistic回归、梯度提升、随机森林、支持向量机、轻量级梯度提升5种方法。9个研究[12-13,15,17-18,20-21,23-24]仅进行内部验证，2个研究[10,16]仅进行外部验证，2个研究[14,22]采用内部验证和外部验证相结合的方式对模型进行评价，2个研究[11,19]未对模型进行验证。23个模型AUROC为0.609～0.924，8个研究[10,13-14,16,18,22-24]报告了模型验证的AUROC为0.608～0.806。有2个研究[14,19]仅报告了区分度指标，而未报告校准度指标。模型最终呈现形式也不尽相同，有4个研究[16,19,23-24]以风险评分的方式呈现结果，3个研究[10,12-13]得出了计算重返ICU发生率的公式，4个研究[11,18,20-21]以列线图的方式呈现。模型的建立情况见表3。
表3
重返ICU预测模型的建立情况
2.4 纳入模型的预测因子
23个预测模型包含4～91个预测因子。其中9个模型无法获取具体纳入的预测因子，14个模型出现频率前20的预测因子见图2。出现频次较高的前5个预测因子依次为：年龄、ICU住院时长、心率、呼吸和入科诊断。
图2
重返ICU预测模型出现频次前20的预测因子
3 讨论
本研究共纳入15个研究，包括23个预测模型。其中9个为模型开发研究，6个为模型开发与验证研究。23个预测模型的AUROC为0.609～0.924，其中20个预测模型的AUROC>0.7，说明以上模型具有较好的预测性能。国外学者较早开始探索重返ICU风险预测模型，虽已开展多个研究，但多数为单中心、回顾性研究，缺乏外部验证，且因文化差异等因素影响，是否适用于我国患者有待商榷。
Gajic等[22]于2008年构建的重返ICU风险预测模型SWFIT评分是最早且较常用的风险预测模型，在多个研究中[14,16,18,20]被进一步验证并与其他预测模型的预测性能进行比较。Rojas等[14]基于机器学习方法构建的模型预测的预测性能（AUROC：0.76）较SWFIT评分（AUROC：0.65）好。同样，Desautels等[16]、Martin等[18]和Frost等[20]所构建的预测模型预测性能均优于SWFIT评分。可见，由于医学科技的进步，早期的预测模型由于未进行进一步的校准与更新可能并不适用于现在的临床实践，应充分结合实际情况慎重选择模型。
风险预测模型的质量由研究设计类型、建模方法、统计分析多个方面决定。本研究纳入的15个研究偏倚风险均为高风险，主要与以下方面有关：在研究设计方面，9个研究[12-15,17-18,20,23-24]为回顾性队列研究，3个研究[10-11,19]为病例-对照研究，1个研究[16]为横断面研究。有研究[25]认为利用已有数据进行预测模型的构建，不一定能较好地满足模型研究需要，可能形成选择偏倚和回忆偏倚，降低研究质量。在建模方法方面，13个预测模型采用Logistic回归方法建模，平均AUROC为0.794。10个预测模型采用不同机器学习方法建模，平均AUROC为0.797。机器学习作为人工智能学习方法的一个重要分支，可对海量数据的输入特征进行分析，自主学习并做出推断与预测[26]。有3个研究同时采用Logistic回归和机器学习方法构建风险预测模型。其中，在Thoral等[17]的研究中，包含了107个预测因子的Logistic回归模型（AUROC：0.783）预测性能稍高于机器学习模型预测性能（梯度提升AUROC：0.78；随机森林AUROC：0.78）。然而，林瑜等[12]采用基于机器学习的三种集成学习算法（随机森林、自适应提升算法、梯度提升决策树）和Logistic回归方法构建了4个重返ICU风险预测模型，结果显示，机器学习模型的预测性能（随机森林AUROC：0.827；自适应提升算法AUROC：0.851；梯度提升决策树AUROC：0.858）优于Logistic回归(AUROC：0.81)。同样，Pakbin等[15]采用梯度下降增强方法构建的集成树模型预测性能（AUROC：0.84）也高于Logistic回归模型（AUROC：0.81）。可见，Logistic回归法与机器学习法在不同的数据集里可产生不同的结果，尚不能确定采用哪种方法构建的预测模型更好。因此，建立模型方法的选择上除了传统Logistic回归方法外，还可在临床实践的基础上借助人工智能等方法提高模型的科学性。在统计分析方面，所有研究均为高风险，主要原因包括预测模型样本量缺乏、将连续性变量转化成≥2类别的变量、忽略缺失数据、根据单因素分析结果筛选预测因子、预测模型的性能评估缺乏评判指标、未对模型进行验证。在构建风险预测模型的样本量方面，3个研究[11,18,23]在模型开发中样本量不足，2个研究[10,22]模型验证样本量不足。对于模型开发研究，为防止模型出现过度拟合，每个变量所对应的事件发生数应≥20[27]，对于模型验证研究，结果事件<100可能会造成偏倚[28]。5个研究[11,14,19,21,24]将连续性变量转化为二分类变量，降低了模型的预测能力，在分析数据时，连续性变量尽量不要转为二分类变量，否则应补充内部验证和收缩回归系数以调整过度拟合[29]。12个研究[12-20,22-24]存在缺失数据，对于缺失数据的处理，1个研究[23]直接删除了缺失数据，8个研究[11,14,16-20,22]未明确提及处理缺失数据的方法，直接删除缺失数据的处理方法可能会导致纳入分析的都是极端值，可采用多重插补等方法处理删失数据。Gajic等[22]采用单因素分析筛选变量，会因自变量间的共线性等问题造成有效预测因子的丢失，特别是当结局事件过少、结局事件数/待筛选变量数比值过小时，过度拟合问题更为突出，变量的筛选应根据临床知识、测量成本、预测因素的可靠性和适用性确定筛选方法[30]。在模型性能评估方面，3个研究[11,14,19]仅报告区分度，未评估校准度。现有预测模型偏倚风险较高，在以后的研究中可参考PROBAST[9]中的相关条目，通过严谨的研究设计实现高质量预测模型的构建。
另外，纳入研究中2个研究场所为专科ICU。其中，郝芳芳等[11]以肝胆胰术后ICU患者为研究对象构建的重返ICU预测模型预测效能最好（AUROC：0.924），其次为徐剑锋[21]等以心胸外科ICU患者为研究对象的重返ICU预测模型（AUROC：0.894）。但以上两个模型尚未进行外部验证，其外推性有待进一步研究。Badawi等[13]将在来自不同类型ICU的469 976名患者构建的重返ICU预测模型分别在7个不同类型的ICU患者中进一步验证，7个ICU的实际重返ICU患者数与预测重返ICU患者数的比值范围在0.96～1.12，可见，该模型在不同类型ICU的预测精准度差异不大。ICU患者病种复杂，未来可将研究对象聚焦于单一类型的ICU患者，并需加强对不同类型ICU患者重返ICU影响因素的研究，以构建具有专科性的重返ICU预测模型，也可构建适用ICU类型广且有较好预测效能的高质量预测模型。
由于研究类型和纳入变量的差异，各研究所纳入的预测因子不尽相同，但本研究发现各研究的预测因子存在一定共性。本研究对出现频率较高的5个风险预测因子（年龄、ICU住院时长、心率、呼吸、入科诊断）进行探讨。8个模型将年龄纳入模型的预测因子，对于儿童患者，年龄越小，重返ICU发生风险越高，可能与患儿年龄过小、免疫力低、并发感染等风险较高有关。对于成年患者，高龄患者重返ICU风险高，可能因合并多种疾病且机体免疫力低下，易发生压疮、呼吸机相关肺炎等并发症，疾病恢复相对较为缓慢，进而增加重返ICU的风险，与周娥等[8]研究结果一致。但由于研究对象不同，年龄在不同研究中的临界值不同。ICU住院时间长说明患者病情危重且复杂，ICU相关并发症发生几率大，此类患者重返ICU风险高。心率在不同研究中分为出院前24小时心率>100次/min或<50次/min、心率最大值、心率最小值及心率变异性，因此，研究间的异质性较大。呼吸也是纳入较多的预测因子，但不同的研究中包含了呼吸变异性、平均呼吸次数、出院前24小时呼吸次数。研究显示，入科诊断为呼吸系统疾病的患者因转出后的环境改变无法保持呼吸功能，重返ICU风险增加[10,19]。另外，Haribhakti等[23]认为入院诊断为脓毒症的患者重返ICU风险高，脓毒症的患者伴多处感染病灶，可致全身器官功能及循环障碍。因此，医务工作者应针对ICU高龄患者及低龄的儿童患者、ICU住院时间长、转出前24小时呼吸和心率异常患者、入科诊断为呼吸系统疾病及脓毒症的患者给予更多的关注，以早期识别重返ICU的风险。
本研究的局限性：① 本研究仅纳入了可检索到的中、英文文献，可能存在发表偏倚；② 由于不同研究的纳入标准、研究设计存在差异，导致仅对研究结果做定性分析，未做定量分析；③ 本研究纳入模型的结局指标定义及适用对象存在一定的异质性，重返ICU发生率在不同定义及人群间存在一定差异。
综上所述，重返ICU风险预测模型的整体预测性能较好，但研究类型及结局指标存在差异，模型的临床价值有待进一步研究。
