文献速递复苏、休克与脓毒症重症综合管理与镇静镇痛

利用生命体征在急诊科早期预测意外性隐匿性休克

EARLY PREDICTION OF UNEXPECTED LATENT SHOCK IN THE EMERGENCY DEPARTMENT USING VITAL SIGNS.
PubMed 文献 · Shock · 2023-07-29
一句话结论基于24小时生命体征序列的机器学习模型可在隐匿性休克发生前3小时预测,随机森林AUROC 0.852,高于休克指数或校正休克指数。

本研究为回顾性研究,使用2016年1月1日至2020年12月31日共93,194次急诊就诊数据及MIMIC-IV-ED数据,按7:3随机抽样分为训练集和验证集,并用MIMIC-IV-ED进行外部验证。研究构建了逻辑回归、随机森林、多层感知机和循环神经网络四种模型预测隐匿性休克,以AUROC评估性能。结果:符合预设标准的89,250次就诊用于建模,MIMIC-IV-ED中142,250次就诊用于外部验证;在隐匿性休克发生前3小时,RNN、MLP、RF、LR的AUROC分别为0.822、0.841、0.852、0.830,均高于休克指数或校正休克指数。结论:基于随时间变化的24小时生命体征序列开发的隐匿性休克预测模型可对个体进行预测。

要点

  • 在隐匿性休克发生前3小时,随机森林模型AUROC为0.852,高于逻辑回归0.830、多层感知机0.841和循环神经网络0.822。
  • 各模型预测隐匿性休克的AUROC均高于休克指数或校正休克指数。
  • 模型基于24小时随时间变化的生命体征序列,可对个体进行预测。
  • 建模数据来自89,250次符合预设标准的急诊就诊,外部验证来自MIMIC-IV-ED的142,250次就诊。
  • 研究为回顾性研究,使用2016年1月1日至2020年12月31日的急诊数据及MIMIC-IV-ED数据。

适用人群与场景

  • 急诊科就诊患者,来自2016年1月1日至2020年12月31日的93,194次急诊就诊及MIMIC-IV-ED数据。
  • 建模使用符合预设标准的89,250次就诊,外部验证使用MIMIC-IV-ED中满足相同纳入标准的142,250次就诊。

研究设计与关键结果

  • 研究类型为回顾性研究,数据包含2016年1月1日至2020年12月31日的93,194次急诊就诊及MIMIC-IV-ED数据,按7:3随机无放回抽样分为训练集和验证集,并用MIMIC-IV-ED进行外部验证。
  • 符合预设标准的89,250次就诊用于开发隐匿性休克预测模型,MIMIC-IV-ED中142,250次就诊用于外部验证。
  • 预测模型包括逻辑回归、随机森林、多层感知机和循环神经网络,以AUROC评估性能。
  • 在隐匿性休克发生前3小时,RNN、MLP、RF、LR预测隐匿性休克的AUROC分别为0.822、0.841、0.852、0.830,均高于休克指数或校正休克指数。

证据类型、等级与局限

  • 证据类型:回顾性研究。
  • 局限:原文未报告局限性。

对床旁实践的改变

  • 原文结论认为,基于24小时随时间变化的生命体征序列开发的隐匿性休克预测模型可对个体进行预测,在隐匿性休克发生前3小时的AUROC高于休克指数或校正休克指数。

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

Objective/Introduction : Sequential vital-sign information and trends in vital signs are useful for predicting changes in patient state. This study aims to predict latent shock by observing sequential changes in patient vital signs. Methods : The dataset for this retrospective study contained a total of 93,194 emergency department (ED) visits from January 1, 2016, and December 31, 2020, and Medical Information Mart for Intensive Care (MIMIC)-IV-ED data. We further divided the data into training and validation datasets by random sampling without replacement at a 7:3 ratio. We carried out external validation with MIMIC-IV-ED. Our prediction model included logistic regression (LR), random forest (RF) classifier, a multilayer perceptron (MLP), and a recurrent neural network (RNN). To analyze the model performance, we used area under the receiver operating characteristic curve (AUROC). Results : Data of 89,250 visits of patients who met prespecified criteria were used to develop a latent-shock prediction model. Data of 142,250 patient visits from MIMIC-IV-ED satisfying the same inclusion criteria were used for external validation of the prediction model. The AUROC values of prediction for latent shock were 0.822, 0.841, 0.852, and 0.830 with RNN, MLP, RF, and LR methods, respectively, at 3 h before latent shock. This is higher than the shock index or adjusted shock index. Conclusion : We developed a latent shock prediction model based on 24 h of vital-sign sequence that changed with time and predicted the results by individual.

来源:Shock,查看原文。版权归原作者所有。

参考来源

  1. Chang H, Jung W, Ha J, et al. EARLY PREDICTION OF UNEXPECTED LATENT SHOCK IN THE EMERGENCY DEPARTMENT USING VITAL SIGNS. Shock. 2023. PMID: 37523617. doi:10.1097/SHK.0000000000002181

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。