摘要

無論潛在原因是什麼，對特定的重症監護綜合征的及時識別和治療是危重疾病預後的關鍵決定因素。急性腎損傷(AKI)是一個典型的重大健康問題，一旦病情完全確定，治療的效果就已經有限。這種情況在入院時很少出現，但在最初的侮辱後數小時或數天內就會出現。由於這種診斷上的延遲，治療和實驗幹預目前都是在疾病發展的晚期才實施的，這限製了潛在的治療效果。

及時發現有AKI風險的患者，可以製定新的、可能更有意義的治療和預防策略。醫療信息學的進步和電子病曆的廣泛實施為改善特定重症監護綜合征的早期識別和治療提供了機會。在本研究中，我們計劃利用概率建模建立一個AKI的預測模型。如果成功驗證，該模型將允許早期識別有AKI風險的患者，以進行診斷、預後和未來的預防試驗。

關鍵字

急性腎損傷;電子病曆;建模

簡介

急性腎損傷(AKI)是重症監護病房(ICU)患者最常見的臨床並發症之一。據報道，ICU的AKI發生率在5 - 80%之間。AKI的發病率和死亡率與腎功能障礙的嚴重程度相關[2]。AKI也是慢性腎髒疾病和終末期腎髒疾病[3]發展的獨立危險因素。

在過去的幾十年裏，人們對用於描述腎功能衰竭的術語有很大的混淆。在90年代早期進行的一項係統綜述顯示，28項研究中的24項研究中，沒有兩項研究對[4]腎衰竭使用相同的定義。這種定義的模糊性阻礙了研究人員對這種疾病在危重患者中的真實影響的理解，並阻礙了流行病學和發病率研究[5]。2004年，急性透析質量倡議(ADQI)小組提出了該綜合征的標準化定義。AKI由腎功能衰竭、腎損傷、腎功能衰竭、腎功能喪失和終末期腎功能衰竭(RIFLE)[6]的風險來定義。2007年，為了提高靈敏度並克服RIFLE標準的一些局限性，急性腎損傷網絡(AKIN)小組[7]修改了AKI的定義(圖1)。

圖1:相對血量與脈搏率的相關性(r=-0.4, p=0.03)

科學和醫學界越來越多地接受AKI的標準化定義(RIFLE和AKIN)，標誌著AKI研究進入了一個新時代。這些定義已被用於最近發表的絕大多數研究，其目標和結果各不相同[2]。我們現在可以努力預測AKI的發展。

AKI的早期診斷可能為AKI及其相關並發症的預防和治療提供更廣闊的治療窗口。在住院時診斷AKI可以減少患者因醫療幹預的遺漏和延誤而遭受“第二次打擊”的機會。這反過來可能降低AKI[8]相關的發病率和死亡率。因此，該協議的總體目標是開發和驗證一個可以集成到電子病曆中的自動化電子腎損傷臨床預測模型。

特定目標(SA)

具體目標1

使用電子醫療記錄(EMR)係統中的可用數據，第一個目標是回顧性開發和驗證基於規則的電子算法，以識別醫院獲得性AKI患者，定義為在入院後12小時以上AKI發展，使用AKI標準。

具體目標2

我們的第二個目標是基於特異性目標3中驗證的臨床預測模型，在住院時以電子方式識別AKI發展的風險患者。這樣做將促進患者進入機製研究，以及未來的AKI預防試驗，

具體目標3

前瞻性驗證使用EMR綜合征監測工具在連續住院患者的獨立隊列中識別AKI高風險患者的臨床預測模型。

研究設計與方法

為了方便患者進入未來的機製研究和AKI預防試驗，我們將回顧性地確定醫院獲得性AKI患者。AKI結果將用於使用適當的風險因素開發預測模型。在入院時確定風險因素，並將所有潛在的風險因素輸入工具。最後，該模型將被自動化並在樣本人群中進行前瞻性驗證。

基於人群樣本的AKI檢測

具體目標1 (SA#1)

開發並驗證一種基於規則的電子算法，在ICU患者子集中檢測醫院獲得性AKI患者。

主題

衍生和驗證隊列均為成人，年齡≥18歲，2015年期間入住ICU醫院。排除標準見(表1)。

研究過程

對於SA#1，將開發一種電子算法來預測AKI的發展。將該算法的有效性與兩種搜索策略進行比較;手動搜索和使用ICD-9代碼的搜索。患者的資格將由兩名盲法研究人員審查，他們將使用AKIN標準[7]確定是否存在AKI。異議將由第三方審查員解決。正如其他研究報道的那樣，基線肌酐將被定義為住院前6個月到7天之間肌酐的中值。對於入住ICU前6個月內EMR中無血清肌酐記錄的患者，我們將使用經修訂的腎髒疾病飲食調整(MDRD)配方[9]。AKIN工作組分期標準將用於將結果分為三個階段。醫院獲得性AKI定義為住院患者在入院時無AKI證據(即尿量減少或血清肌酐升高)，或在入院12小時內滿足AKIN標準的AKI發病。

人工數據將被視為參考標準，並將被分為兩個數據集:派生和驗證隊列。來自衍生隊列的數據將用於開發和改進電子算法，通過審查所有假陽性和假陰性病例，與人工確定的AKI病例進行比較。對於ICD-9代碼，我們將使用來自醫院管理數據庫的數據來識別急性腎衰的ICD-9診斷代碼。使用的代碼列在附錄(表1)中。

表1:排除標準

結果

主要結果將是每種搜索策略在派生和驗證隊列中的敏感性和特異性，這兩種策略之間。陽性(PPV)和陰性預測值(NPV)將與百分比一致和科恩kappa統計數據一起計算。

次要結果將是驗證集中電子和手動策略之間的AKI時間。時間定義為入學到第一次達到AKIN標準之間的時間。它和激發標準(尿輸出量vs.血清肌酐)將在兩種方法之間進行比較。

電子腎損傷臨床預測評分(ecKLIPS)的開發和驗證

具體目標2

我們將開發和驗證一個臨床預測模型，以識別住院時發生AKI的高風險患者。我們將創建一種基於規則的方法，用於捕獲電子數據，包括住院第一天可獲得的基線臨床、人口統計和環境暴露信息。這將包括關於急性和慢性疾病的數據，以及與AKI相關的幹預措施和結果(例如，患者和係統)的數據。

主題

符合條件的受試者將是連續住院的18歲以下成人患者，他們將在10年以上的時間內(回顧性驗證隊列，2005-2014)在社區醫院住院，在住院時至少有一種易感疾病(如敗血症、休克)。

誘發條件

計算ecKLIPS所需的人口統計學、臨床和環境易感條件(表2)將根據住院前12小時或住院期間的信息收集。該模型將使用先前研究中驗證過的誘發條件和電子算法來開發[10,11]。對於所有其他易感因素，將使用類似於SA#1的方法開發和驗證電子搜索策略。所有數據將從醫院電子病曆和管理數據庫中提取。

表2:建議的危險因素

模型開發和結果確定

使用第一個目標中開發和驗證的電子工具，我們將在住院期間識別所有患有AKI的患者。為了推導該模型，我們將考慮至少兩項先前發表的研究中與akii的發展或預防相關的變量。此外，內容專家將審查所選的風險因素，並根據感知的重要性對它們進行排序。醫院電子病曆將提供必要的基線數據和臨床信息(如人口統計數據、臨床數據、共病情況和實驗室數據)。數據收集將通過查詢EMR的結構化數據來完成(例如，實驗室數據、生命體征和藥物表、ICD 9數據)。除非另有規定，所有數據將被限製在AKI檢測前的12小時內。敏感性分析將使用6和24小時時間點進行。將使用派生隊列、不同的數據點和不同的時間截止來開發多個模型。

預測分數的推導

在推導規則的過程中，我們將包括AKI的所有獨立預測因子。根據專家的排名，其中一些預測因素將被視為誘發條件，其餘的則被視為修飾條件。每個危險因素對AKI發展的影響程度將根據我們推導隊列中的beta係數和至少兩項先前研究中描述的每個因素的影響程度進行量化。

驗證階段

驗證隊列中的患者至少有一種易感疾病才能納入隊列。為這些患者生成ecKLIPS所需的變量將通過前麵描述的自動搜索、從EMR編譯信息和經過培訓的調查人員進行回顧性收集。

AKI (ecKLIPS)臨床預測模型的前瞻性驗證

具體目標3

我們的第三個目標是前瞻性驗證使用EMR綜合征監測工具識別AKI高風險患者的臨床預測模型。研究對象和納入和排除標準將類似於SA#2。

研究過程

用於檢測高危患者的電子監控工具將使ecKLIPS自動化，並以15-60分鍾分辨率運行患者記錄，從進入急診室到出院，或當患者滿足AKI標準。在三個月的時間內，將在選定的醫療樓層和icu預先實施一個使用高風險評分閾值的警報係統。

在進入ICU前對有危險的患者進行識別

為了識別有AKI風險的患者，一個自動ecKLIPS模型將在EMR數據庫中前瞻性地運行，並計算評分，當評分達到高危患者的閾值時，生成電子郵件和/或向研究協調員發出呼機警報;研究協調員將確認和登記所選患者。

主要結局是在住院期間的任何時間發生AKI。次要結局將是警覺組的幹預次數、開始腎髒替代治療的患者比例、出院時血清肌酐中位數降低、ICU和醫院死亡率，以及兩組間的住院時間。

數據收集

所有警報將收集在一個單獨的電子日誌中，並將在警報時間後三小時內評估幹預措施的數量。這將包括訂購或給藥以下任何一種:液體，定義為任何500毫升晶體或250毫升膠體丸，利尿劑或血管升壓劑。

統計方法

目標#1的目的是驗證從電子算法收集的數據與手動收集的數據一致。一致性將通過敏感性、特異性、陽性和陰性預測值進行評估。

目標#2和#3的目的是利用基於人群的樣本開發和驗證AKI的預測模型。使用AKIN指南，我們計劃使用一個懲罰的邏輯回歸模型LASSO對AKI進行建模，以推導出一個簡約的預測規則。解釋變量將使用基線患者危險因素推導，如表2所示。這些因素在生物學上是合理的，並記錄在EMR中。一係列實驗室風險因素將被轉換為入院後12小時內的最差值，或通過估計前12小時內曲線下的麵積。使用但未在12小時內進行的測量將被視為遺漏。將“缺失”納入統計模型，采用多種歸責方法進行靈敏度分析。

懲罰參數的懲罰，邏輯回歸將確定使用交叉驗證。采用受試者工作特征(ROC)曲線和曲線下麵積(AUC)來評估預測規則識別能力。評分規則的校準將使用Hosmer-Lemeshow檢驗進行評估。

增強樹模型將與被懲罰的邏輯回歸記分卡進行比較，以預測AKI。在增強模型中使用的樹的最大數量將通過交叉驗證來估計，這取決於收縮參數和每棵樹的分裂數量。增強模型分類將與懲罰模型進行比較，使用測試樣本的AUC進行邏輯回歸。驗證隊列的預測規則性能測量將包括AUC、敏感性、特異性、陰性預測值、陽性預測值以及評分特定閾值處的正、負似然比。

所有數據將彙總為連續變量的平均值和標準差或中位數和四分位數範圍，分類變量的數量和百分比，並使用適當的統計檢驗(即t檢驗、卡方檢驗)進行比較。P值將是雙尾的，如果P <0.05將被認為有統計學意義。SAS (SAS^®， Cary, NC)和R (R項目的統計計算，將用於數據分析。

樣本量的考慮

對於AKI預測評分的最小可檢測AUC，有9種可能的患者入組情況，如表3所示，假設alpha為0.05，冪為80%[12]。任何至少有500個案例和500個控件的樣本都可以充分用於建模。

表3:模型的最小可檢測AUC，假設alpha為0.05，功率為80% [38]

實際的AUC預計將大於最小可檢測的AUC。表4顯示了7種可能的驗證患者入組方案，假設alpha為0.05。如果模型擬合AUC大於或等於0.70，且預期驗證樣本AUC大於0.60，那麼為了達到0.80的乘方，假設50%的病例符合條件，驗證樣本中需要登記200到400名患者。功率計算將在評分開發後更新。

表4:功率估計假設AUC來自模型擬合、驗證樣本中的案例和控製的數量，以及應用於驗證集的模型的AUC的零假設。使用Obuchowski方法[39]估計標準誤差。

討論

在本研究中，我們計劃用概率模型建立一個AKI的預測模型。如果成功驗證，該模型將允許早期識別有AKI風險的患者，以進行診斷、預後和未來的預防試驗。

概念證明:初步數據表明AKI是可以預防的

在過去的三十年中，許多預防策略已經得到了測試[13,14]。預防類型的總體分類包括藥理和非藥理場所[14]。

盡管許多研究人員認為，死亡和其他AKI並發症，如容量過載和電解質紊亂，會改變死亡率，但這些應該是預防的主要目標。事實是，在腎小球濾過率(GFR)已經下降的情況下，目前提出的一些策略通常被用作替代或輔助幹預。此外，盡管最近發現了一些可能有助於AKI早期診斷和預測的生物標誌物，但它們的普遍性和臨床適用性仍存在疑問。

危重症患者的預防模式主要集中在ICU住院患者[17,18]。不幸的是，這些研究對AKI發病機製和潛在預防策略的推論可能是有限的。當AKI在ICU或住院期間被診斷出來時，生物學過程早就開始了。事實上，腎髒替代治療的需要經常是ICU住院的原因。這一點在文獻[19,13]中已被多次重申。

引進電子病曆的目的是提高醫療質量，增加患者安全，降低醫療費用。各種模式已經成功實施，以提高循證醫學[21]的符合性，並提高護理質量[22]。雖然技術促進了適當的記錄，但它也允許更快和更準確地檢查並發症和不良事件的圖表。Fitzhenry等[23]能夠在多家退伍軍人事務醫院使用電子工具可靠地識別術後並發症和不良事件。雖然EMR允許更準確和即時的決策支持，但使用EMR的模型通常受到係統中包含的信息質量的限製，在許多情況下需要驗證過程[11]。

已經開發了許多模型來識別AKI的高風險患者。自從AKI定義標準化以來，在不同的設置下驗證和實現這些模型已經成為可能[17,24-28]。根據結果的不同，其中一些模型被用於預測死亡率[24,29,30]，而另一些模型則被用於預測透析需求[31]。此外，盡管多名研究人員嚐試檢測AKI，但他們的方法沒有達到改變患者預後[8]的足夠顯著性。例如，在Colpaertet al.[32]的一項前瞻性研究中，通過自動步槍標準使用AKI嗅探器在警報組中產生了大量幹預。然而，這種方法沒有影響其他患者的結果。這主要是因為對腎髒[32]受損的患者進行幹預的時間窗口較短。

危重症“黃金時間”早期可預防幹預的重要性

大多數醫療事故、疏漏和浪費發生在嚴重疾病的早期階段，此時及時有效的幹預對患者的預後至關重要。這個直觀的概念，被稱為“黃金時間”，早在40年前就已經在創傷護理中出現了[33]，但尚未在大多數其他危重症護理條件中廣泛采用。急性疾病的非線性過程和時間敏感性是複雜係統[34]的特征。在危重護理過程的最初幾分鍾和幾小時(“黃金時間”)內避免診斷錯誤和治療延誤，對於預防代價高昂的並發症、可預防的死亡和殘疾是必要的[8,35]。

急診部針對嚴重敗血症患者的多中心質量改善幹預很好地說明了及時識別和適當治療急性危重症的重要性。他們觀察到，快速實施早期束元素(例如，適當的經驗性抗菌素、液體丸劑和乳酸鹽)阻止了器官衰竭的進展[36]。此外，Balasubramanian等人[37]表明，腎科醫生早期參與AKI患者的護理可以阻止並降低腎功能進一步下降的風險。這證實了早期Mehta等人[8]的研究結果，在該研究中，研究人員發現與腎病專家[8]谘詢的延遲相關的死亡率顯著增加。預計本研究開發的模型將允許更早地識別AKI，從而允許更早地進行幹預。

在示範了該模型辨別此類患者的能力之後，需要采取額外的步驟來確定該模型作為決策支持輔助的臨床和床邊效用。具體來說，對電子算法和模型可預測性的多中心驗證將是最合乎邏輯的下一步。然而，最終模型在真實臨床環境中的自動化和測試需要在單個中心作為試點研究進行，然後才能在多中心研究中進行測試。

利益衝突

作者聲明沒有利益衝突

參考文獻

1. Mandelbaum T, Scott DJ, Lee J, Mark RG, Malhotra A，等(2011)急性腎損傷重症患者急性腎損傷的預後。急救醫療39:2659-2664。(Ref。］
2. Ricci Z, Cruz D, Ronco C(2008)急性腎損傷的RIFLE標準與死亡率:一項係統綜述。腎髒雜誌73:538-546。(Ref。］
3. Ishani A, Xue JL, Himmelfarb J, Eggers PW, Kimmel PL，等(2009)老年人急性腎損傷增加ESRD的風險。中華生物學報(英文版)20:223-228。(Ref。］
4. Novis BK, Roizen MF, Aronson S, Thisted RA(1994)術前危險因素與術後急性腎功能衰竭的關係。anestanog 78: 143-149。(Ref。］
5. Kellum JA, Levin N, Bouman C, Lameire N(2002)建立急性腎功能衰竭的共識分類係統。Curr Opin Crit Care 8: 509-514。(Ref。］
6. Bellomo R, Ronco C, Kellum JA, Mehta RL, Palevsky P(2004)急性腎衰竭-定義，結果測量，動物模型，液體治療和信息技術需求:第二屆急性透析質量倡議(ADQI)小組國際共識會議。暴擊護理8:R204-R212。(Ref。］
7. Mehta RL, Kellum JA, Shah SV, Molitoris BA, Ronco C等(2007)急性腎損傷網絡:一項旨在改善急性腎損傷預後的倡議報告。暴擊護理11:R31。(Ref。］
8. Mehta RL, McDonald B, Gabbai F, Pahl M, Farkas A，等(2002)急性腎衰竭患者的腎科會診:時間是否重要?醫學雜誌113:456-461。(Ref。］
9. Bagshaw SM, Uchino S, Cruz D, Bellomo R, Morimatsu H, et al.(2009)急性腎損傷患者步槍類肌酸酐測定的觀察值與估計基線值的比較。腎髒移植24:2739-2744。(Ref。］
10. Singh B, Singh A, Ahmed A, Wilson GA, Pickering BW, et al.(2012)從電子醫療記錄中提取Charlson共病的自動電子搜索策略的推導和驗證。Mayo clinic Proc 87: 817-824。(Ref。］
11. Ahmed A, Thongprayoon C, Pickering BW, Akhoundi A, Wilson G, et al.(2014)預防急性綜合征:住院期間高危患者的電子識別。應用臨床通知5:58-72。(Ref。］
12. Obuchowski NA(1994)接收機工作特性研究的計算樣本量。投資Radiol 29: 238-243。(Ref。］
13. Lameire N, van Biesen W, Hoste E, Vanholder R(2009)急性腎損傷的預防:深入敘述綜述:第2部分:藥物在預防急性腎損傷中的作用。NDT + 2: 1-10。(Ref。］
14. Brincat S, Hilton R(2008)急性腎損傷的預防。中華醫學雜誌(生物醫學版)69:450-454。(Ref。］
15. Joannidis M, Druml W, Forni LG, Groeneveld AB, Honore P，等(2010)重症監護病房急性腎損傷的預防和腎功能保護。ESICM腎病學工作組的專家意見。重症監護醫學36:392-411。(Ref。］
16. Coca SG, Yalavarthy R, Concato J, Parikh CR(2008)急性腎損傷的生物標誌物診斷和危險分層:一項係統綜述。腎髒Int 73: 1008-1016。(Ref。］
17. Demirjian S, Chertow GM, Zhang JH, O 'Connor TZ, Vitale J，等(2011)急性腎損傷成人危重症患者死亡率預測模型。臨床J Am Soc腎病6:2114-2120。(Ref。］
18. 陳永春，方婷婷，田永春，張愛明，黃春春(2000)器官係統衰竭對需要透析的危重患者預後的預測。中華醫學雜誌23:8-13。(Ref。］
19. Jo SK, Rosner MH, Okusa MD(2007)急性腎損傷的藥物治療:為什麼藥物不起作用，以及未來的發展方向。臨床J Am Soc腎病2:356-365。(Ref。］
20. Bates DW, Evans RS, Murff H, Stetson PD, Pizziferri L，等(2003)利用信息技術檢測不良事件。J Am Med Inform association 10: 115-128。(Ref。］
21. Wahl WL, Talsma A, Dawson C, Dickinson S, Pennington K等(2006)使用計算機化的ICU文件來獲取ICU核心指標。手術140:684-689。(Ref。］
22. 朱克曼AE(2009)衛生信息技術在兒科質量改進中的作用。兒科診所北Am 56: 965-973。(Ref。］
23. FitzHenry F, Murff HJ, Matheny ME, Gentry N, Fielstein EM，等(2013)探索電子健康記錄監測的前沿:術後並發症的案例。醫療保健51:509-516。(Ref。］
24. Halstenberg WK, Goormastic M, Paganini EP(1997)四種模型預測危重急性腎功能衰竭患者預後的有效性。臨床雜誌47:81-86。(Ref。］
25. Ward LA, Coritsidis GN, Carvounis CP(1996)預測重症監護病房腎衰竭和死亡的危險因素。重症監護醫學11:114-119。(Ref。］
26. Eriksen BO, Hoff KRS, Solberg S(2003)心髒手術後急性腎功能衰竭的預測:臨床算法的回顧性交叉驗證。移植18:77-81。(Ref。］
27. Kiers HD, van den Boogaard M, Schoenmakers MC, van der Hoeven JG, van Swieten HA等。心髒手術相關性急性腎損傷8種預測模型的比較及臨床適用性。腎髒移植28:345-351。(Ref。］
28. Barrantes F, Tian J, Vazquez R, Amoateng-Adjepong Y, Manthous CA(2008)急性腎損傷標準預測危重症患者的轉歸。急救醫療36:1397-1403。(Ref。］
29. Lima EQ, Dirce MT, Castro I, Yu L(2005)急性腎功能衰竭危重患者的死亡危險因素及嚴重程度評分係統的驗證。腎功能衰竭27:547-556。(Ref。］
30. Wilson FP, Yang W, Feldman HI(2013)嚴重AKI患者死亡和透析的預測因素:UPHS-AKI隊列。中華醫學會臨床腎髒病雜誌8:527-537。(Ref。］
31. Vives M, Monedero P, Perez-Valdivieso JR, Garcia-Fernandez N, Lavilla J等(2011)預測心髒手術後腎髒替代治療的三種評分的外部驗證和比較:多中心隊列研究。Int J Artif organ 34: 329-338。(Ref。］
32. Colpaert K, Hoste EA, Steurbaut K, Benoit D, Van Hoecke S，等(2012)急性腎損傷實時電子警報對RIFLE類治療幹預和進展的影響。急救醫療40:1164-1170。(Ref。］
33. 考利RA(1977)創傷中心。提供重症監護的新概念。中華醫學雜誌32(4):369 - 369。(Ref。］
34. 董勇，Chbat NW, Gupta A, Hadzikadic M, Gajic O(2012)重症監護醫學係統建模和仿真應用。安重症監護2:18。(Ref。］
35. Rivers E, Nguyen B, Havstad S, Ressler J, Muzzin A，等(2001)早期目標靶向治療嚴重膿毒症和膿毒症休克。中華醫學雜誌345:1368-1377。(Ref。］
36. Miller RR 3rd, Dong L, Nelson NC, Brown SM, Kuttler KG，等(2013)嚴重膿毒症和膿毒症休克治療包的多中心實施。美國呼吸危重症護理雜誌188:77-82。(Ref。］
37. Balasubramanian G, al- aly Z, Moiz A, Rauchman M, Zhang Z，等(2011)早期腎科醫生參與醫院獲得性急性腎損傷的初步研究。中華腎髒雜誌57:228-234。(Ref。］
38. Robin X, Turck N, Hainard A, Tiberti N, Lisacek F, et al. (2011) pROC:用於R和S+分析和比較ROC曲線的開源包。生物信息學12:77。(Ref。］
39. Zepp RC(1995)一種用於估計ROC曲線功率的SAS宏:單樣本和雙樣本情況。第20屆SAS用戶組國際會議(SUGI) 233。

在此下載臨時PDF

條信息

文章類型:研究文章

引用:khan T, Williams J, Patel A, Mattar A, Khurana A，等(2016)預防急性綜合征:自動電子腎損傷臨床預測評分(Ecklips)的開發和驗證，基於人群的協議。腎衰竭2(3):doi http://dx.doi。org/10.16966/2380 - 5498.133

版權:©khan T，等人。這是一篇開放獲取的文章，根據創作共用署名許可協議(Creative Commons Attribution License)發布，該協議允許在任何媒體上不受限製地使用、分發和複製，前提是注明原作者和來源。

出版的曆史:

收到日期:2016年3月14日

接受日期:2016年5月27日

發表日期:2016年5月31日