Skala Norton – jak policzyć i opisać wynik ryzyka odleżyn

Autor: Konrad Hryniewicz · Opublikowano: 28 października 2026 · Aktualizacja: 26 października 2026

Czym jest skala Norton

Skala Norton służy pielęgniarkom do oceny ryzyka odleżyn (urazów ciśnieniowych). Pochodzi z badania problemów pielęgniarstwa geriatrycznego w szpitalach, opublikowanego przez Norton i in. (1962), i jest jednym z najstarszych narzędzi tego typu. W pracach dyplomowych z pielęgniarstwa pełni zwykle jedną z trzech ról. Bywa zmienną opisującą pacjentów, czynnikiem, którego związek z innymi cechami się bada, albo narzędziem, którego trafność prognostyczną się sprawdza. Każda z tych ról wymaga innej analizy. Wspólne są liczenie wyniku i ostrożność przy progach.

Obok skali Norton w praktyce działa m.in. skala Braden, opracowana do wczesnego rozpoznawania pacjentów zagrożonych odleżynami (Bergstrom i in., 1987). Przykład analizy kategorii ryzyka między oddziałami znajdziesz we wpisie statystyka w pracy z pielęgniarstwa. Tu skupiamy się na samej skali Norton: kluczu, progach i ocenie, jak dobrze przewiduje odleżyny.

Budowa i zakres wyniku

Klasyczna skala ma pięć pozycji: stan fizyczny, stan świadomości (psychiczny), aktywność, mobilność i nietrzymanie moczu lub stolca. Każdą ocenia się od 1 (najgorzej) do 4 (najlepiej). Suma mieści się w zakresie 5–20, a niższy wynik oznacza większe ryzyko (Elli i in., 2022; Perneger i in., 1998). To odwrotny kierunek niż w wielu skalach objawów, więc łatwo o pomyłkę przy interpretacji korelacji i ilorazów szans. Opisów poziomów w pozycjach tu nie przytaczamy. Weź je z formularza, którego używa placówka, i podaj jego źródło.

Licencja i wersje. Nie znaleźliśmy oficjalnej strony autorów ani wydawcy z warunkami użycia skali. Skala jest opisana w wielu publikacjach i formularzach szpitalnych, ale część z nich to wersje zmienione, z inną treścią poziomów lub innymi kategoriami ryzyka. W pracy podaj, z którego formularza korzystasz, a jeśli placówka używa wersji zmodyfikowanej, opisz ją jako taką i nie porównuj jej progów z wersją klasyczną.

Jak policzyć wynik krok po kroku

Krok 1. Sprawdź zakres pozycji

Każda pozycja ma wartości 1–4. Pozycje są porządkowe (skala porządkowa), a różnica między 1 i 2 nie musi znaczyć tego samego co między 3 i 4. Zero w bazie zwykle oznacza brak oceny, a nie najgorszy stan.

Krok 2. Zsumuj pięć pozycji

Wynik to suma 5–20. Cytowane źródła nie podają reguły dla brakujących pozycji. Przy pięciu pozycjach jeden brak to 20% informacji, więc nie uzupełniaj go średnią. Lepiej uzupełnij ocenę z dokumentacji albo wyłącz pacjenta z analizy i podaj, ilu osób to dotyczy.

Krok 3. Ustal datę oceny i zdarzenie

Jeśli sprawdzasz trafność prognostyczną, wynik musi pochodzić z oceny przed wystąpieniem odleżyny, najlepiej przy przyjęciu. Określ też, co liczysz jako zdarzenie (np. nowa odleżyna dowolnego stopnia) i jak długo obserwujesz pacjentów. Odsetek nowych przypadków w tym czasie to zapadalność, a schemat odpowiada badaniu kohortowemu.

Punkty odcięcia i kategorie ryzyka

Dla skali Norton nie ma jednego uzgodnionego progu. Elli i in. (2022), za Pernegerem i in. (1998), uznali wynik ≤ 9 za bardzo wysokie ryzyko, a wynik 10–14 za wysokie. Defloor i Grypdonck (2005) za zagrożonych uznawali pacjentów z wynikiem poniżej 12. Wybierz próg przed analizą, zacytuj jego źródło i podaj go w opisie metod (zob. punkt odcięcia). Kategoria ryzyka to prognoza, a nie rozpoznanie. Wynik ≤ 14 nie oznacza, że pacjent ma odleżynę albo że ją będzie miał.

Co wiadomo o trafności i rzetelności

W przeglądzie systematycznym Pancorbo-Hidalgo i in. (2006) skala Norton miała czułość 46.8% i swoistość 61.8%, a wynik wskazujący na ryzyko wiązał się z OR = 2.16, 95% CI [1.03, 4.54]. Skala Braden miała lepszą równowagę obu miar. Obie skale były jednak dokładniejsze niż sama ocena kliniczna pielęgniarek. Defloor i Grypdonck (2005) obliczyli, że przy postępowaniu według skal 80% pacjentów niepotrzebnie otrzymałoby profilaktykę. Pokazali też, że skuteczna profilaktyka obniża wartość prognostyczną skal, bo zapobiega części odleżyn u osób z grupy ryzyka. Przegląd Cochrane (Moore i Patton, 2019) nie znalazł wiarygodnych dowodów, że ustrukturyzowana ocena ryzyka sama zmniejsza liczbę odleżyn. Badania z tego przeglądu dotyczyły skal Braden, Waterlow i Ramstadius, a nie skali Norton.

Ciekawy wynik przedstawili Perneger i in. (1998). Spośród pięciu pozycji tylko aktywność i mobilność pozostały istotnymi predyktorami odleżyn, a uproszczona skala złożona z tych dwóch pozycji była silniej związana z ryzykiem niż pełna skala. Jeśli chodzi o zgodność oceniających, Wang i in. (2015) uzyskali dla wyniku ogólnego ICC = .967, ale dla pozycji „stan fizyczny” tylko ICC = .595. Dobra zgodność sumy nie gwarantuje więc dobrej zgodności poszczególnych pozycji.

Przykład: 220 pacjentów oddziału internistycznego

W badaniu symulowanym 220 pacjentów bez odleżyny oceniono skalą Norton przy przyjęciu i obserwowano przez 14 dni. Dane są w pliku CSV. Mediana wyniku wyniosła 17 (IQR: 13–19; M = 15.5, SD = 4.2, zakres 5–20). Maksymalny wynik 20 miało 50 pacjentów (22.7%), więc skala ma wyraźny efekt sufitu. Nowa odleżyna pojawiła się u 26 osób, czyli zapadalność wyniosła 11.8%.

Odleżyna pojawiła się u 8 z 25 pacjentów z wynikiem 5–9 (32.0%), u 12 z 59 pacjentów z wynikiem 10–14 (20.3%) i u 6 ze 136 pacjentów z wynikiem 15–20 (4.4%).

Czułość, swoistość i wartości predykcyjne

Tabela pokazuje, jak wybór progu zmienia ocenę skali. Przedziały ufności policzono metodą Wilsona.

Przy progu ≤ 14 skala wychwyciła 20 z 26 przyszłych odleżyn, ale oznaczyła też 64 pacjentów, u których odleżyna się nie pojawiła. Przy progu < 12 fałszywych alarmów było 29, ale pominiętych przypadków 10. Niska wartość predykcyjna dodatnia wynika głównie z niskiej zapadalności. Przy 11.8% przypadków większość osób oznaczonych jako zagrożone nie będzie miała odleżyny nawet przy dobrej skali.

Krzywa ROC i regresja logistyczna

Pole pod krzywą ROC wyniosło AUC = .78, 95% CI [.70, .87]. Najwyższy indeks Youdena dał próg ≤ 11, czyli ten sam co < 12. Próg wybrany na tych samych danych jest jednak optymistyczny i wymaga sprawdzenia na innej próbie (zob. modele predykcyjne: walidacja i kalibracja).

W regresji logistycznej wynik odwrócono (20 minus wynik), żeby iloraz szans dotyczył każdego punktu w stronę większego ryzyka. Każdy punkt niżej w skali Norton wiązał się ze wzrostem szans odleżyny o 27%, OR = 1.27, 95% CI [1.15, 1.41], b = 0.24, SE = 0.05, z = 4.56, p < .001. Interpretację takich modeli omawia wpis regresja logistyczna krok po kroku.

Suma samych pozycji „aktywność” i „mobilność” dała AUC = .78, 95% CI [.70, .87], czyli tyle co pełna skala (test DeLonga: Z = −0.02, p = .986). W tych danych symulowanych ryzyko z założenia zależało głównie od tych dwóch pozycji, więc wynik ilustruje obserwację Pernegera i in. (1998), a nie ją potwierdza.

Zgodność oceniających we własnym badaniu

Skalę wypełnia pielęgniarka, więc rzetelność sprawdza się przez niezależną ocenę tych samych pacjentów przez dwie osoby. W przykładzie dwie pielęgniarki oceniły 40 pacjentów. Zgodność wyniku ogólnego wyniosła ICC(A,1) = .90, 95% CI [.82, .95]. Kappa ważona dla pozycji mieściła się w przedziale od .64 (stan świadomości) do .73 (stan fizyczny), a tę samą kategorię ryzyka przypisano 33 z 40 pacjentów. Alfa Cronbacha pięciu pozycji wyniosła .90, ale przy skali ryzyka mówi niewiele, bo pozycje opisują różne czynniki, a nie jeden konstrukt. Projekt takiego badania opisuje poradnik badanie rzetelności pomiaru klinicznego, a wybór miar – wpis o zgodności sędziów.

Jak opisać skalę Norton w pracy

Liczby pochodzą z przykładu. W nawiasach kwadratowych uzupełnij źródło formularza i szczegóły własnego badania.

# B136 – Skala Norton: wynik 5–20, kategorie ryzyka, trafność prognostyczna (czułość, swoistość, ROC), regresja logistyczna,
# porównanie wyniku ogólnego z sumą dwóch pozycji i zgodność dwóch pielęgniarek (dane symulowane, set.seed(1361), set.seed(1362)).
# 220 pacjentów oddziału internistycznego bez odleżyny przy przyjęciu; ocena przy przyjęciu, obserwacja przez 14 dni.
# Pięć pozycji 1–4 (1 = najgorzej, 4 = najlepiej): stan fizyczny, stan świadomości, aktywność, mobilność, nietrzymanie.
suppressPackageStartupMessages({ library(pROC); library(DescTools); library(psych) })
set.seed(1361)
n <- 220
poz <- c("stan_fizyczny", "stan_swiadomosci", "aktywnosc", "mobilnosc", "nietrzymanie")
ocen <- function(sl, szum = 0.7, przes = c(0.2, 0.9, -0.1, 0.1, 0.6)) {
  sapply(seq_along(poz), function(j) {
    z <- sl + przes[j] + rnorm(length(sl), 0, szum)
    pmin(4, pmax(1, 1 + (z > -1.1) + (z > -0.1) + (z > 0.9)))
  })
}
sprawnosc <- rnorm(n, 0.3, 1.1)
X <- ocen(sprawnosc); colnames(X) <- poz
# Ryzyko odleżyny zależy głównie od aktywności i mobilności
lp <- -2.3 - 0.42 * (X[, "aktywnosc"] - 2.5) - 0.38 * (X[, "mobilnosc"] - 2.5) - 0.1 * (X[, "nietrzymanie"] - 2.5) + rnorm(n, 0, 1.3)
odlezyna <- rbinom(n, 1, plogis(lp))
dane <- data.frame(id = 1:n, X, odlezyna_14d = odlezyna)
write.csv(dane, "../skala-norton-dane-przyklad.csv", row.names = FALSE)

# Krok 1. Kontrola zakresu i wynik ogólny 5–20 (niżej = większe ryzyko)
all(as.matrix(dane[, poz]) %in% 1:4)
dane$norton <- rowSums(dane[, poz])
v <- dane$norton
round(c(M = mean(v), SD = sd(v), Me = median(v), Q1 = quantile(v, .25, names = FALSE), Q3 = quantile(v, .75, names = FALSE),
        min = min(v), max = max(v)), 1)
c(n_20 = sum(v == 20), proc_20 = round(100 * mean(v == 20), 1))
c(odlezyny = sum(odlezyna), proc = round(100 * mean(odlezyna), 1))

# Krok 2. Kategorie jak u Elli i in. (2022): ≤ 9 bardzo wysokie, 10–14 wysokie, > 14 niskie ryzyko
dane$kategoria <- cut(v, c(4, 9, 14, 20), labels = c("bardzo wysokie (5–9)", "wysokie (10–14)", "niskie (15–20)"))
tk <- table(dane$kategoria, dane$odlezyna_14d)
cbind(n = rowSums(tk), odlezyny = tk[, "1"], proc_odlezyn = round(100 * tk[, "1"] / rowSums(tk), 1))

# Krok 3. Czułość, swoistość, PPV i NPV dla dwóch progów (Wilson 95% CI)
progi <- function(prog) {
  ryz <- v <= prog
  tp <- sum(ryz & odlezyna == 1); fn <- sum(!ryz & odlezyna == 1); fp <- sum(ryz & odlezyna == 0); tn <- sum(!ryz & odlezyna == 0)
  w <- rbind(czulosc = BinomCI(tp, tp + fn, method = "wilson"), swoistosc = BinomCI(tn, tn + fp, method = "wilson"),
             PPV = BinomCI(tp, tp + fp, method = "wilson"), NPV = BinomCI(tn, tn + fn, method = "wilson"))
  rownames(w) <- c("czulosc", "swoistosc", "PPV", "NPV")
  list(tabela = c(TP = tp, FN = fn, FP = fp, TN = tn, oznaczonych_proc = round(100 * mean(ryz), 1)), miary = round(100 * w, 1))
}
progi(14)   # ≤ 14 – granica kategorii „wysokie” u Elli i in. (2022)
progi(11)   # < 12 – próg ryzyka w badaniu Defloora i Grypdonck (2005)

# Krok 4. Krzywa ROC wyniku ogólnego (niższy wynik = większe ryzyko)
roc5 <- roc(dane$odlezyna_14d, dane$norton, direction = ">", levels = c(0, 1), quiet = TRUE)
round(c(AUC = as.numeric(auc(roc5)), ci.auc(roc5, method = "delong")[c(1, 3)]), 2)
coords(roc5, "best", best.method = "youden", ret = c("threshold", "sensitivity", "specificity"))

# Krok 5. Regresja logistyczna: OR na każdy punkt NIŻEJ w skali Norton
dane$norton_odwr <- 20 - dane$norton
m1 <- glm(odlezyna_14d ~ norton_odwr, family = binomial, data = dane)
round(exp(cbind(OR = coef(m1), confint.default(m1)))[2, ], 2)
round(summary(m1)$coefficients[2, 1:3], 3); format.pval(summary(m1)$coefficients[2, 4], digits = 3)

# Krok 6. Czy wystarczą dwie pozycje? Suma aktywności i mobilności (2–8) a wynik pięciu pozycji (Perneger i in., 1998)
dane$akt_mob <- dane$aktywnosc + dane$mobilnosc
roc2 <- roc(dane$odlezyna_14d, dane$akt_mob, direction = ">", levels = c(0, 1), quiet = TRUE)
round(c(AUC_2_pozycje = as.numeric(auc(roc2)), ci.auc(roc2, method = "delong")[c(1, 3)]), 2)
t2 <- roc.test(roc5, roc2, method = "delong")
round(c(Z = unname(t2$statistic), p = t2$p.value), 3)

# Krok 7. Spójność pozycji (dla porządku) i zgodność dwóch pielęgniarek w podpróbie 40 pacjentów
round(psych::alpha(dane[, poz], warnings = FALSE)$total$raw_alpha, 2)
set.seed(1362)
idx <- sample(n, 40)
B <- ocen(sprawnosc[idx] + rnorm(40, 0, 0.2), szum = 0.45); colnames(B) <- poz
A <- as.matrix(dane[idx, poz])
oceny <- data.frame(pielegniarka_A = rowSums(A), pielegniarka_B = rowSums(B))
icc <- ICC(oceny, lmer = FALSE)$results
round(unlist(icc[icc$type == "ICC2", c("ICC", "lower bound", "upper bound")]), 2)
kw <- sapply(poz, function(p) cohen.kappa(cbind(A[, p], B[, p]))$weighted.kappa)
round(kw, 2)
c(identyczna_kategoria = sum(cut(oceny$pielegniarka_A, c(4, 9, 14, 20)) == cut(oceny$pielegniarka_B, c(4, 9, 14, 20))))

[1] TRUE
   M   SD   Me   Q1   Q3  min  max 
15.5  4.2 17.0 13.0 19.0  5.0 20.0 
   n_20 proc_20 
   50.0    22.7 
odlezyny     proc 
    26.0     11.8 
                       n odlezyny proc_odlezyn
bardzo wysokie (5–9)  25        8         32.0
wysokie (10–14)       59       12         20.3
niskie (15–20)       136        6          4.4
$tabela
              TP               FN               FP               TN oznaczonych_proc 
            20.0              6.0             64.0            130.0             38.2 

$miary
           est lwr.ci upr.ci
czulosc   76.9   57.9   89.0
swoistosc 67.0   60.1   73.2
PPV       23.8   16.0   33.9
NPV       95.6   90.7   98.0

$tabela
              TP               FN               FP               TN oznaczonych_proc 
            16.0             10.0             29.0            165.0             20.5 

$miary
           est lwr.ci upr.ci
czulosc   61.5   42.5   77.6
swoistosc 85.1   79.4   89.4
PPV       35.6   23.2   50.2
NPV       94.3   89.8   96.9

 AUC           
0.78 0.70 0.87 
  threshold sensitivity specificity
1      11.5   0.6153846   0.8505155
    OR  2.5 % 97.5 % 
  1.27   1.15   1.41 
  Estimate Std. Error    z value 
     0.241      0.053      4.564 
[1] "5.03e-06"
AUC_2_pozycje                             
         0.78          0.70          0.87 
     Z      p 
-0.018  0.986 
[1] 0.9
        ICC lower bound upper bound 
       0.90        0.82        0.95 
   stan_fizyczny stan_swiadomosci        aktywnosc        mobilnosc     nietrzymanie 
            0.73             0.64             0.70             0.71             0.72 
identyczna_kategoria 
                  33 

Najczęstsze błędy przy skali Norton

• Odwrócony kierunek. Niższy wynik to większe ryzyko. Dodatnia korelacja z liczbą chorób przewlekłych byłaby więc wynikiem zaskakującym, a nie oczywistym.
• Próg bez źródła albo próg zmieniany po zobaczeniu danych. Wybierz go przed analizą i zacytuj.
• Kategoria ryzyka opisana jak rozpoznanie. Pisz „wynik wskazujący na ryzyko odleżyn”, a nie „pacjent z odleżyną”.
• Sama czułość i swoistość bez zapadalności. Podaj też odsetek zdarzeń, PPV i NPV, bo zależą od tego, jak częste są odleżyny.
• Ocena po wystąpieniu odleżyny w analizie trafności prognostycznej. Wynik musi poprzedzać zdarzenie.
• Pomijanie profilaktyki. Pacjenci z grupy ryzyka zwykle dostają materace i zmianę pozycji, co obniża obserwowaną trafność skali.
• Mieszanie wersji klasycznej i zmodyfikowanych w jednej analizie albo w porównaniach z literaturą.

Podobną analizę skali wypełnianej przez personel znajdziesz we wpisie o indeksie Barthel, a kwestionariusz samoopisowy z tej samej dziedziny opisuje wpis o FES-I. Jeśli chcesz sprawdzić analizę trafności skali albo dobór progów w swojej pracy, możesz skorzystać z konsultacji w ramach oferty analizy statystyczne dla studentów. Wyniki musisz jednak rozumieć i umieć obronić samodzielnie.

Najczęstsze pytania

Jak liczy się punkty w skali Norton?

Ocenia się pięć pozycji – stan fizyczny, stan świadomości, aktywność, mobilność i nietrzymanie – każdą od 1 (najgorzej) do 4 (najlepiej). Suma mieści się w zakresie 5–20, a niższy wynik oznacza większe ryzyko odleżyn (Elli i in., 2022).

Od ilu punktów w skali Norton jest ryzyko odleżyn?

Nie ma jednego progu. Elli i in. (2022) uznali wynik ≤ 9 za bardzo wysokie, a 10–14 za wysokie ryzyko, natomiast Defloor i Grypdonck (2005) za zagrożonych uznawali pacjentów z wynikiem poniżej 12. W pracy wybierz próg przed analizą i podaj jego źródło.

Czy skala Norton dobrze przewiduje odleżyny?

Umiarkowanie. W przeglądzie Pancorbo-Hidalgo i in. (2006) miała czułość 46.8% i swoistość 61.8%, czyli słabiej niż skala Braden, ale lepiej niż sama ocena kliniczna. Przy niskiej częstości odleżyn większość osób oznaczonych jako zagrożone nie będzie miała odleżyny.

Jak sprawdzić trafność skali Norton w pracy dyplomowej?

Oceń pacjentów przy przyjęciu, obserwuj, u kogo pojawi się nowa odleżyna, i policz tabelę 2 × 2 dla wybranego progu: czułość, swoistość, PPV i NPV z 95% CI. Dodaj krzywą ROC z AUC oraz opis profilaktyki, bo zmienia ona obserwowaną trafność skali.

Jak sprawdzić zgodność pielęgniarek oceniających skalą Norton?

Poproś dwie osoby o niezależną ocenę tych samych pacjentów w tym samym dniu i policz ICC dla wyniku ogólnego oraz kappę ważoną dla pozycji. Wang i in. (2015) uzyskali ICC = .967 dla wyniku ogólnego, ale tylko .595 dla pozycji „stan fizyczny”.

Powiązane hasła

Przeczytaj też

@article{bergstrom1987braden, author={Bergstrom, Nancy and Braden, Barbara J. and Laguzza, Antoinette and Holman, Victoria}, title={{The Braden Scale for predicting pressure sore risk}}, journal={Nursing Research}, year={1987}, volume={36}, number={4}, pages={205--210}, doi={10.1097/00006199-198707000-00002}}

@article{defloor2005pressure, author={Defloor, Tom and Grypdonck, Maria F. H.}, title={{Pressure ulcers: Validation of two risk assessment scales}}, journal={Journal of Clinical Nursing}, year={2005}, volume={14}, number={3}, pages={373--382}, doi={10.1111/j.1365-2702.2004.01058.x}}

@article{elli2022factors, author={Elli, Chiara and Novella, Alessio and Nobili, Alessandro and Ianes, Aladar and Pasina, Luca}, title={{Factors associated with a high-risk profile for developing pressure injuries in long-term residents of nursing homes}}, journal={Medical Principles and Practice}, year={2022}, volume={31}, number={5}, pages={433--438}, doi={10.1159/000527063}}

@article{moore2019risk, author={Moore, Zena E. H. and Patton, Declan}, title={{Risk assessment tools for the prevention of pressure ulcers}}, journal={Cochrane Database of Systematic Reviews}, year={2019}, volume={2019}, number={1}, eid={CD006471}, doi={10.1002/14651858.cd006471.pub4}}

@book{norton1962investigation, author={Norton, Doreen and McLaren, Rhoda and Exton-Smith, A. N.}, title={{An investigation of geriatric nursing problems in hospital}}, year={1962}, publisher={National Corporation for the Care of Old People}, url={https://wellcomecollection.org/works/ts5gjqbv}}

@article{pancorbohidalgo2006risk, author={Pancorbo-Hidalgo, Pedro L. and Garcia-Fernandez, Francisco Pedro and Lopez-Medina, Isabel M. and Alvarez-Nieto, Carmen}, title={{Risk assessment scales for pressure ulcer prevention: A systematic review}}, journal={Journal of Advanced Nursing}, year={2006}, volume={54}, number={1}, pages={94--110}, doi={10.1111/j.1365-2648.2006.03794.x}}

@article{perneger1998contribution, author={Perneger, Thomas V. and Gaspoz, Jean-Michel and Ra{\"e}, Anne-Claire and Borst, Fran{\c{c}}ois and H{\'e}liot, C{\'e}liane}, title={{Contribution of individual items to the performance of the Norton pressure ulcer prediction scale}}, journal={Journal of the American Geriatrics Society}, year={1998}, volume={46}, number={10}, pages={1282--1286}, doi={10.1111/j.1532-5415.1998.tb04547.x}}

@article{wang2015inter, author={Wang, Li-Hua and Chen, Hong-Lin and Yan, Hong-Yan and Gao, Jian-Hua and Wang, Fang and Ming, Yue and Lu, Li and Ding, Jing-Jing}, title={{Inter-rater reliability of three most commonly used pressure ulcer risk assessment scales in clinical practice}}, journal={International Wound Journal}, year={2015}, volume={12}, number={5}, pages={590--594}, doi={10.1111/iwj.12376}}