文献速递复苏、休克与脓毒症重症综合管理与镇静镇痛

利用社区层面因素结合机器学习改善院外心脏骤停结局预测

Utilizing community level factors to improve prediction of out of hospital cardiac arrest outcome using machine learning.
PubMed 文献 · Resuscitation · 2022-07-08
一句话结论在CARES数据基础上加入社区犯罪、医疗与经济变量,可将院外心脏骤停生存预测的AUROC从84%提升至88%。

研究基于心脏骤停登记以增强生存(CARES)数据库,将2014至2019年芝加哥9,595例院外心脏骤停事件地理编码至社区区域,并合并来自公共数据的犯罪、医疗与经济等社区变量。利用合并数据开发机器学习模型预测院外心脏骤停生存,以受试者工作特征曲线下面积(AUROC)评价模型,并用SHAP值分析特征。仅用CARES数据的基线模型AUROC为84%,加入社区变量的最终模型AUROC升至88%。SHAP分析显示,高表现社区聚类受良好健康相关特征正向影响,良好社区安全特征正向影响低表现社区聚类。作者结论认为社区变量有助于预测神经功能结局且性能优于仅用CARES数据,未来研究将用该模型进行模拟以识别改善院外心脏骤停生存的干预措施。

要点

  • 仅用CARES数据预测院外心脏骤停生存的AUROC为84%,加入社区变量后最终模型AUROC升至88%。
  • 研究将2014至2019年芝加哥9,595例院外心脏骤停事件地理编码至社区区域,并合并公共数据的犯罪、医疗与经济变量。
  • SHAP分析显示高表现社区聚类受良好健康相关特征正向影响。
  • SHAP分析显示良好社区安全特征正向影响低表现社区聚类。
  • 作者结论认为社区变量预测神经功能结局的性能优于仅用CARES数据。

适用人群与场景

  • 2014至2019年芝加哥的院外心脏骤停事件,共9,595例,数据来自心脏骤停登记以增强生存(CARES)数据库。

研究设计与关键结果

  • 研究类型为基于CARES登记数据的机器学习建模研究,将2014至2019年芝加哥9,595例院外心脏骤停事件地理编码至社区区域,并合并公共数据中的犯罪、医疗与经济等社区变量。
  • 仅用CARES数据的基线模型AUROC为84%;加入社区变量的最终模型AUROC升至88%。
  • SHAP分析显示,高表现社区聚类受良好健康相关特征正向影响,良好社区安全特征正向影响低表现社区聚类。
  • 作者结论认为社区变量预测神经功能结局的性能优于仅用CARES数据。
  • 作者指出未来研究将用该模型进行模拟,以识别改善院外心脏骤停生存的干预措施。

证据类型、等级与局限

  • 证据类型:基于登记数据的机器学习建模研究。
  • 局限:原文未报告局限性。

对床旁实践的改变

  • 原文未据此给出推荐。

提炼说明

  • 本条依据论文摘要整理;摘要未涉及「诊断标准与关键阈值」「处置流程与药物剂量」「红旗征与不能漏的情况」「指南或共识出处」,故未列出这些栏目;全文请点「阅读原文」。
英文原文(摘要)· 点击展开

OBJECTIVES: To evaluate the impact of community level information on the predictability of out-of-hospital cardiac arrest (OHCA) survival.

METHODS: We used the Cardiac Arrest Registry to Enhance Survival (CARES) to geocode 9,595 Chicago incidents from 2014 to 2019 into community areas. Community variables including crime, healthcare, and economic factors from public data were merged with CARES. The merged data were used to develop ML models for OHCA survival. Models were evaluated using Area Under the Receiver Operating Characteristic curve (AUROC) and features were analyzed using SHapley Additive exPansion (SHAP) values.

RESULTS: Baseline results using CARES data achieved an AUROC of 84%. The final model utilizing community variables increased the AUROC to 88%. A SHAP analysis between high and low performing community area clusters showed the high performing cluster is positively impacted by good health related features and good community safety features positively impact the low performing cluster.

CONCLUSION: Utilizing community variables helps predict neurologic outcomes with better performance than only CARES data. Future studies will use this model to perform simulations to identify interventions to improve OHCA survival.

来源:Resuscitation,查看原文。版权归原作者所有。

参考来源

  1. Harford S, Darabi H, Heinert S, et al. Utilizing community level factors to improve prediction of out of hospital cardiac arrest outcome using machine learning. Resuscitation. 2022. PMID: 35817268. doi:10.1016/j.resuscitation.2022.07.006

供执业医师抢救与诊疗参考,不替代临床判断;剂量请结合体重、肝肾功能和本院药品规格复核,以指南原文为准。