文献速递呼吸衰竭与机械通气重症综合管理与镇静镇痛

床旁心电图衍生心率变异性连续生理标志物可提前预测急性呼吸窘迫综合征发病

Continuous Physiologic Markers of Heart Rate Variability Derived From Bedside Electrocardiogram Precede Onset of Acute Respiratory Distress Syndrome: A Physiologic Modeling Study.
PubMed 文献 · Crit Care Explor · 2025-12-10
一句话结论回顾性队列显示,床旁心电波形衍生特征联合电子病历数据的机器学习模型可在ARDS发病前12小时预测发病,AUROC 0.92、PPV 0.58,优于肺损伤预测评分。

该回顾性观察性队列研究纳入2017至2018年三级医院ICU的1160例患者,其中761例有足够波形数据,62例经柏林标准判定为ARDS,699例为对照。研究从床旁连续心电图提取心率变异性等波形特征,构建机器学习模型预测ARDS发病前12至36小时的风险。联合波形与电子病历数据的人工神经网络模型在发病前12小时AUROC为0.92(95%CI 0.91-0.93)、PPV为0.58(95%CI 0.55-0.62),优于仅用临床数据的模型(AUROC 0.86、PPV 0.49)和肺损伤预测评分(AUROC最高0.88、PPV 0.18)。仅用波形特征的模型AUROC为0.86。作者认为波形标志物可提高ARDS发病前预测能力,但需进一步前瞻性验证。

要点

  • 联合心电波形特征与电子病历数据的人工神经网络模型,在ARDS发病前12小时AUROC达0.92(95%CI 0.91-0.93),PPV 0.58(95%CI 0.55-0.62)。
  • 仅用波形特征的模型在发病前12小时AUROC为0.86(95%CI 0.85-0.88),PPV 0.49(95%CI 0.46-0.52),提示波形数据本身具有预测价值。
  • 联合模型在发病前12小时AUROC 0.92、PPV 0.58,优于肺损伤预测评分最高AUROC 0.88、PPV 0.18。
  • 波形特征可预测ARDS发病前至多2天,随预测时间窗接近发病,模型判别力提高并于发病前12小时达峰。
  • 作者认为波形标志物可调节稀疏电子病历数据的影响,并可能提供偏倚更小、更可靠的预测。

适用人群与场景

  • 三级医院ICU收治的危重症患者,研究纳入2017至2018年共1160例,其中761例有足够时长和质量的监测波形数据用于分析。
  • 排除标准包括可用波形数据不足8小时者(因波形质量差、总监测时长不足剔除399例)。
  • ARDS阳性判定需经专家(包括 board-certified intensivist 和外科住院医师)依据柏林标准独立审核,排除胸腔积液、肺炎、心源性肺水肿等替代诊断。

诊断标准与关键阈值

  • ARDS发病时间定义为连续至少两次PaO2:FIO2比值≤300且呼气末正压>5 cm H2O的最早时间。
  • ARDS阳性标签需专家依据柏林标准判定,并独立评估影像学(胸片或CT)确认双肺浸润、排除替代诊断。
  • 阴性标签为不符合上述标准或专家判定阴性。

研究设计与关键结果

  • 研究类型为回顾性观察性队列研究,纳入1160例患者,最终分析761例,其中ARDS 62例(8.1%),非ARDS 699例。
  • ARDS患者较非ARDS患者肺损伤预测评分更高(均值[IQR] 8.6[7.6-10.0] vs 4.4[3.0-5.0],p<0.001),P/F比值更低(127.1[72.0-166.9] vs 309.1[272.5-321.3],p<0.001)。
  • ARDS患者院内死亡率显著高于对照(32.3% vs 3.4%,p<0.001)。
  • 联合波形与电子病历数据的人工神经网络模型在发病前12小时AUROC为0.92(95%CI 0.91-0.93),PPV为0.58(95%CI 0.55-0.62),优于仅用临床数据的模型(AUROC 0.86[95%CI 0.85-0.88],PPV 0.49[95%CI 0.46-0.52])和肺损伤预测评分最高值(AUROC 0.88,PPV 0.18)。
  • 仅用波形特征的模型在发病前12小时AUROC为0.86。
  • 在发病前36小时,人工神经网络联合模型AUROC为0.84,优于LightGBM的0.76和随机森林的0.73。
  • 联合模型在发病前12小时AUROC 0.92、敏感度0.86、PPV 0.58。
  • SHAP分析显示,联合模型前20位动态特征中5个为波形衍生特征,包括pNN50峰度、NN间期峰度最大值、近似熵峰度、尺度19标准熵峰度、pNN50中位数。

证据类型、等级与局限

  • 证据类型:回顾性观察性队列研究(生理建模研究),单中心(Emory University Healthcare ICU)。
  • 局限:ARDS阳性病例数有限,需在独立数据集中验证;专家审核成本高限制阳性病例数;波形特征仅反映心电心率变异性,未纳入光电容积脉搏波等其他传感器;未区分ARDS严重程度;机器学习仅探索非线性方法和深度神经网络,未使用变压器网络。
  • 原文结论:需进一步前瞻性验证以评估模型的稳健性和潜在临床效用。

对床旁实践的改变

  • 作者认为,床旁心电波形衍生标志物联合电子病历数据可提高ARDS发病前预测能力,可能提供偏倚更小、更可靠的预测。
  • 作者认为,波形标志物可调节稀疏电子病历数据的影响,并可能用于临床试验患者筛选。
  • 作者提出,未来可将预测算法整合入临床工作流程,开发提示进一步评估和适当临床干预的预警,但需考虑用户接受度和系统兼容性等障碍。
  • 作者列举的可能干预包括肺保护性机械通气、限制性液体策略、俯卧位通气和通过镇静实现呼吸机同步,以及迷走神经刺激。

提炼说明

  • 原文未涉及「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。
全文中译8 节 · 点击展开
本译文由 AI 依据开放获取原文逐段翻译,供学习参考,可能存在误差,请以原文为准。原文 © 原作者(PMC Open Access),按 CC BY 许可使用,本译文为翻译改编。出处:Crit Care Explor. 2025 Dec 10;7(12):e1352. doi: 10.1097/CCE.0000000000001352

要点

问题:床旁监护仪能否预测急性呼吸窘迫综合征(ARDS)的发病,并在重症患者中近实时监测进行性呼吸衰竭的风险,从而促使及时干预以提高生存率?

发现:在这项使用预测性机器学习模型的病例对照研究中,心电图(ECG)衍生的标志物可在发病前最多两天可靠预测ARDS。整合波形特征和临床数据的联合模型达到了至少0.92的受试者工作特征曲线下面积,超过了肺损伤预测评分的最高值0.88。

意义:将心电图衍生标志物整合到预测模型中,为ARDS的早期检测提供了一种有前景的方法,有望通过及时干预改善患者结局。

背景与意义

急性呼吸窘迫综合征(ARDS)是一种危及生命的疾病,急性炎症导致肺血管通透性增加、肺水肿和严重低氧性呼吸衰竭(1)。据估计,ARDS在重症监护病房(ICU)收治的所有患者中患病率为10%(2),并与高达45%的高死亡率相关。

开发ARDS治疗和管理策略的一个主要障碍是及时识别有发病风险的患者(3);ARDS诊断常常延迟,40%的轻度病例被完全漏诊,21%的重度病例未被识别(4)。这种延迟或漏诊可能推迟循证治疗的实施,如肺保护性通气和液体限制策略,造成无意伤害。这些现实使人们对ARDS的预测和预防产生了重大兴趣。

肺损伤预测评分(LIPS)源自结构化电子病历(EMR)和合并症状态,在一项多中心研究中中度预测ARDS(受试者工作特征曲线下面积[AUROC]=0.70)(4),但存在缺点,包括高假阳性率(阳性预测值[PPV]=0.17),且缺乏在患者住院期间的连续评估,通常使用最初六小时的数据计算。近年来,使用EMR的机器学习算法已用于ARDS预测和其他危重疾病如脓毒症,但由于数据稀疏、手动录入以及实验室检查和临床测量的开具偏倚而面临局限性(5–9)。来自床旁监护仪的生理波形数据分析,尽管在ICU患者中持续监测,但在临床实践中利用不足。从常规监测中提取定量标志物以在临床怀疑之前预测ARDS,可增强早期、无偏倚的ARDS识别,改善患者照护(10, 11)。

源自连续床旁监测的“生理标志物”——电生理与血流动力学标志物——被应用于多个领域,如心血管充盈状态(12)、肺部液体状态(13)和低血压(14)。心电图(ECG)和光电容积脉搏波衍生标志物因其广泛可及而尤为有用(15)。在各种生理标志物(16–20)中,通气比值(21)在监测呼吸不稳定性方面尤为突出。正在进行的研究探索自主神经功能障碍标志物,特别是低心率变异性(HRV),对ARDS发病的潜在预测价值(PPV)(22–24)。将床旁ECG整合到预测性机器学习模型中,可能提供对不断变化的呼吸动力学的持续洞察,辅助重症监护管理,并可能开辟新的治疗途径,包括神经调控以改善或阻止向重症疾病的进展。

本研究将来自ECG波形的新型生理标志物整合到可解释的机器学习算法中,以在重症患者发病前12小时预测ARDS发病。报告了分析结果,以及结合EMR常规临床数据的数据融合模型。本研究的方法是评估波形数据而不论是否存在EMR数据,并检验波形数据增强EMR数据的能力。波形数据在缺乏EMR数据时提供患者病情信息的潜力,以及调节EMR数据的潜力。这种调节可以补偿医院或医生的测量或治疗倾向,这些倾向可能存在未知偏倚。这种调节还可以补偿个别患者未被稀疏EMR数据阐明的未知生物学倾向(偏倚)。本研究探究了这种波形数据的潜力。

材料与方法

数据集描述

这是一项回顾性观察性研究,使用高保真波形测量值和从埃默里大学医疗系统重症监护病房(ICU)入院患者电子病历(EMR)中常规采集的临床指标。本研究(“脓毒症—人工智能:脓毒症及相关器官功能障碍的多模态研究”)经埃默里大学机构审查委员会(IRB)审查并批准(IRB编号STUDY00000302;批准日期:2021年4月29日),并被认定为非人类受试者研究,获准豁免知情同意。所有程序均按照埃默里IRB的伦理标准执行,符合《赫尔辛基宣言》(1975年)所述原则。从回顾性数据集中准确判定急性呼吸窘迫综合征(ARDS)病例是一个尚未解决的主要挑战(25)。为确保类别标签的最高质量,ARDS阳性标注需要由专家(包括一名委员会认证的重症医学科主治医师和一名外科住院医师)使用柏林标准进行医师裁定(26)。该裁定包括对影像学表现(胸部X线片或CT扫描,并明确说明)进行详细、独立的评估,以确认与ARDS一致的双侧浸润影,并排除胸腔积液或肺炎等替代诊断。此外,裁定者仔细评估了每位患者的病史、体格检查结果、血流动力学、临床实验室值、超声心动图以及对相关药物的治疗反应,以尽量减少混杂因素的影响,尤其着重排除心源性肺水肿作为呼吸衰竭的潜在原因。发病时间确定为至少连续两次PaO2:FIO2比值小于或等于300且呼气末正压大于5的最早时间。ARDS阴性标注源于未满足这些标准或专家裁定为阴性,如补充图1(https://links.lww.com/CCX/B581)中的CONSORT流程图所示。

数据处理

病例组纳入从发病前60小时至发病后12小时的波形数据,而对照组则从随机生成的窗口采集最长72小时的数据,以模拟ARDS发生时间的不确定性和ARDS患者监测时长。可用波形数据少于8小时的患者被排除。使用连续8小时数据窗口进行分类,步长(或增量步长)为1小时(见补充图6,https://links.lww.com/CCX/B581)。在这些窗口内,根据测得的每小时中位数报告每个特征的统计量,包括均值、中位数、最小值、最大值、偏度、方差和峰度,而离散事件(例如给予血管升压药)则用指示变量表示。

ARDS的预测时间范围设定为发病前12、18、24、30和36小时,形成截至发病后12小时的预测窗口。这些窗口用于为病例患者数据分配阳性标签,创建六个独立数据集。8小时分类窗口与预测窗口重叠者分配阳性标签,而未重叠的8小时窗口(包括来自对照患者的窗口)则获得阴性标签。该分段方法遵循既往研究(5)所述方法,并在补充文档(https://links.lww.com/CCX/B581)中进一步记录。

模型中使用的临床特征完整列表见补充表1(https://links.lww.com/CCX/B581)。波形数据获取自Emory Healthcare System(佐治亚州亚特兰大)内多家参与的ICU,使用GE床旁监护仪(GE Healthcare,芝加哥,伊利诺伊州)以240 Hz的原始采样频率采集ECG。选取互不重叠的5分钟窗口,间隔10分钟,用于生成特征。这些特征来源于RR间期,RR间期定义为心电图(ECG)QRS复合波中相邻R峰之间的时间(代表连续心跳)。QRS复合波是典型心动周期中反映心室除极的特征性波形。特征提取使用PhysioNet Cardiovascular Toolbox完成(27)。

针对每个预测时程比较了两类模型:“仅波形(动力学)”模型,仅包含波形衍生特征、合并症和人口学信息,不含传统临床EMR动态数据(即生命体征、实验室检查);“波形加EMR”或“联合”模型则在波形衍生特征、合并症和人口学信息之外使用EMR数据。在医疗领域,这种数据划分是合理的,因为合并症和人口学信息几乎在患者住院全程均可获得。它们在患者住院前即已知晓,且在患者住院期间不发生变化(静态)。因此,它们很可能始终被用于预测模型,因为它们几乎总是可获得的。波形数据也很可能可获得,尤其是在ICU就诊全程中,但在患者住院期间是动态变化的。然而,EMR数据的数量和类型可能取决于医生对患者病情的判断,更不用说医生的工作量和优先事项。将包含合并症(静态)、人口学信息(静态)和波形(动态)的模型与包含动态EMR数据的模型进行对比,可以实现最贴近真实世界的潜在实施评估。

共有3个人口学变量、13个合并症、41个动态EMR变量和43个动态波形变量。如上所述,除11个治疗(离散事件)变量外,对所有动态变量计算了逐小时统计量。所有数据的类别见补充表1和补充表2以作说明(https://links.lww.com/CCX/B581)。

为确定输入数据的最佳模型,评估了多种学习算法,包括LightGBM(28)、随机森林(RF)(29)和人工神经网络(ANN)(30)。使用SHapley Additive exPlanations(SHAP)解释器(31)表征特征重要性和可解释性。使用包括AUROC、灵敏度、特异度和PPV在内的多项基准指标表征模型性能。

结果

患者与临床特征

使用了涵盖2017—2018年、包含1160例患者且波形数据与EMR数据匹配的登记数据库。波形质量差(主要由于总监测时长不足)剔除了399例患者。在符合条件者中,62例在住院期间被判定为ARDS,而699例不符合柏林标准。

在最终纳入分析的761例患者队列中,有62例(8.1%)在就诊期间被判定发生ARDS。表1比较了按是否发生ARDS分层的队列临床特征。除高龄(超过80岁)和判定为ARDS的患者中白人比例较高外,年龄和自我认定的种族均无显著差异。与非ARDS患者相比,ARDS患者的LIPS更高(均值[四分位距(IQR),8.6 [7.6–10.0] 对 4.4 [3.0–5.0],p < 0.001),P/F比更低(127.1 [72.0–166.9] 对 309.1 [272.5–321.3],p < 0.001),与更差的氧合和肺损伤一致。ARDS患者的院内死亡率显著高于对照组(32.3% 对 3.4%,p < 0.001)。

我们评估了ARDS发病前12–36小时的模型性能,从三个模型的30个自助法版本中生成平均AUROC值和95% CI(图1)。正如预期,随着预测时间窗临近,预测准确性提高并开始趋于一致,AUROC在ARDS发病前12小时达到峰值(ANN = 0.92;LightGBM = 0.88;RF = 0.86)。表2详细列出了ANN模型的进一步性能指标,显示在较短的预测时间窗内准确性、敏感性和特异性均有改善,尽管PPV有所降低。值得注意的是,在纳入所有特征时,ANN在整个预测时间窗内显著优于LightGBM和RF模型,最显著的差异出现在ARDS发病前36小时(ANN AUROC = 0.84;LightGBM AUROC = 0.76;RF AUROC = 0.73)。

接下来,我们将这些联合模型的预测准确性与仅使用波形数据训练的模型进行了比较(图2)。无论使用何种机器学习算法,加入EMR数据均能在整个预测时间窗内持续改善性能。对于RF和ANN模型,这种模型性能的改善在距发病较远的预测时间窗内不那么明显。

表现最佳的模型使用EMR和波形特征结合ANN算法,达到AUROC 0.92,优于使用EMR特征的ANN模型(表2,p < 0.01)。此外,联合模型在PPV上以更大的百分比优于缺乏波形数据的模型(0.58 对 0.51)。在多个阈值上,其在AUROC、特异性和PPV方面均优于LIPS。在距发病较近和较远的时间窗内,ANN模型在PPV方面均显著优于LIPS(0.58和0.70 对 0.18)。与单独使用EMR特征相比,加入波形特征提高了表现最佳模型报告的所有指标,在两个时间窗内PPV的百分比提升最大。

图3展示了具有组合特征(图3A,定义见补充文档,https://links.lww.com/CCX/B581)和仅EMR特征(图3B)的人工神经网络(12小时前发病)模型中动态变量的SHAP值。前20个组合特征中有5个是波形衍生特征。pn50的峰度(衡量连续正常至正常心搏间期百分比分布形状的指标,这些间期差异超过50毫秒)、NN峰度的最大值(NN间期峰度的最高值,指示心搏间期分布的“尾部性”)、ApEn的峰度(近似熵,信号复杂度和规律性的非线性度量)、尺度19标准熵的峰度(反映特定尺度下熵的变异性)以及pnn50的中位数(NN间期差异超过50毫秒的比例相对于总间期数的中位比例)是前20个动态特征中代表的波形特征。在仅EMR模型中,机械通气设置衍生特征的存在明显更多,且其重要性更高,如它们从顶部开始的排序所示,并在补充图2(https://links.lww.com/CCX/B581)的幅值图中展示。补充图2(https://links.lww.com/CCX/B581)还显示,组合模型中重要性分布更加均衡,而在仅EMR模型中,最重要的特征更具主导性。对两幅图的视觉检查显示,当模型中包含波形特征时,特征值对模型影响的极性明显降低。

表1. 患者队列的临床特征 查看原表 ↗
表2. 使用人工神经网络和随机森林的12小时和36小时模型结果与肺损伤预测评分的比较 查看原表 ↗
图1. 随机森林(RF)、LightGBM(LGBM)和人工神经网络(ANN)组合特征模型随着预测时间窗接近发病的轨迹。AUC = 受试者工作特征曲线下面积。 查看原图 ↗
图2. 随机森林(A)、LightGBM(B)和人工神经网络(C)组合特征和仅波形模型随着预测时间窗接近发病的轨迹。AUC = 受试者工作特征曲线下面积,EHR = 电子健康记录。 查看原图 ↗
图3. 人工神经网络算法在12小时预测时间窗下组合特征(A)和仅电子病历(B)动态变量的SHapley加性解释(SHAP)蜂群图。ApEn_kurt = 近似熵(ApEn)的峰度,NNkurt_max = NN间期峰度的最大值,pnn50_kurt = pNN50的峰度,SEscale19_kurt = 尺度19标准熵的峰度,SF_ratio_min = Spo₂/Fio₂比值的最小值。 查看原图 ↗

讨论

本回顾性分析是首个使用连续采集的波形数据进行ARDS早期预测的机器学习应用,ARDS的诊断常常被延迟或完全遗漏。我们的结果表明,仅从波形数据中提取的特征,不含任何临床变量,在患者满足ARDS柏林标准前长达2天即表现出稳健的判别性能。

本研究表现最佳的模型是通过在人工神经网络(ANN)算法中将波形数据与电子病历(EMR)数据相结合而实现的,在临床识别ARDS前12小时的平均性能为0.92。仅波形模型在12小时预测时间点的AUROC评分为0.86,表明仅波形数据具有预测ARDS的潜力。这一结果在临床前和临床环境中可能有用,适用于那些较罕见的、ARDS在ICU住院之前或极早期发生的情况。或许更重要的是,研究表明,在最早期36小时预测时间点,联合模型在阳性预测值(PPV)方面优于仅EMR模型。此外,当在患者层面应用算法以确定在其住院期间至少一次达到阈值概率的患者时,联合模型优于仅EMR模型。这些结果表明,当需要了解哪些患者将继续发展为ARDS时,波形数据在临床试验使用中具有很高的潜力。

联合模型的首要特征包含常规临床指标,如收缩压的动态变化、血气测量值的动态变化、通气支持以及血氧饱和度(Spo2)的动态变化(图3)。此外,该模型还包含若干源自患者监测数据的生理标志物。具体而言,pNN50——多种临床疾病谱中急性恶化的标志——在表征ARDS风险方面也显示出显著性,早至临床识别前12小时即可体现。此外,还有其他标志物,包括熵特征和RR间期的动态变化。当比较联合模型与仅EMR模型的首要特征时,可以明显看出特征值对模型的影响方式存在显著差异。例如,收缩压方差的高值在仅EMR模型中有利于阳性ARDS概率,而在联合模型中高值可能或可能不会导致高ARDS概率。看来,波形衍生特征的加入正在调节EMR特征的响应,以确定联合模型中ARDS的概率。这些发现提示生理标志物作为潜在富集特征的作用,不仅能够准确识别ARDS患者,还支持在存在或不存在其他强相关临床指标(如机械通气设置衍生特征)的情况下进行潜在的无偏表征。

在ARDS预测模型的范围内,已有若干相关工作。一些研究使用了仅聚焦于呼吸机衍生波形的波形指标,如压力和流量波形(32, 33)。其他研究使用基于EMR的数据来预测ARDS而不依赖呼吸生理学,并显示出前景(5)。先前的工作聚焦于使用心率和呼吸频率等生理信号来预测ARDS,在ARDS发生前24小时的准确率为85%(34)。基于数据融合的类似工作聚焦于使用心率、呼吸频率、外周动脉血氧饱和度和平均气道血压进行ARDS的早期检测(平均预测约在发病前39小时)(敏感性65%,特异性100%)(35)。

本模型能够利用重症监护病房(ICU)患者中几乎普遍可采集的变量实现稳健的判别,这与上述既往研究形成对比。这些波形数据能够提供连续且无偏倚的指标,而使用此类生理数据的预测模型相较于依赖稀疏采集、有偏倚且易出错的电子病历(EMR)数据的现有模型具有优势。这反过来可以促使临床医生更早识别急性呼吸窘迫综合征(ARDS),并为选择合适的机械通气策略、考虑辅助治疗以及为ARDS临床试验筛选患者提供及时的临床决策支持。

尽管近年来预测算法得到了广泛开发,但临床决策支持系统(CDSS)所报告的准确性与可量化的临床影响之间仍存在空白(32)。近期综述(36, 37)得出结论,尽管CDSS能够有效改变 targeted 临床诊疗流程,但临床结局和采用率存在相当大的差异。这些对于克服警报疲劳和对既定实践的认知抵触至关重要,后者可能阻碍有效实施(38, 39)。因此,我们方法的一个关键优势在于使用常规采集的生理标志物,并具备近实时预测的潜力。未来工作将探索将预测算法整合到临床工作流程中——开发用于进一步评估和适当临床干预的提示——同时考虑用户接受度和系统兼容性等潜在障碍。可能的干预措施包括肺保护性机械通气、液体限制、俯卧位通气以及通过使用镇静实现呼吸机同步(40)。另一种策略,迷走神经刺激,在调节炎症反应方面显示出前景(40)。通过波形数据对患者病情在更成熟和新兴治疗前后进行有效的实时、逐分钟监测,可以在确定患者将如何反应以及将反应与潜在生物学过程联系起来方面产生变革性作用。

然而,这项工作存在一些显著的局限性,需要加以克服才能使桥接成为可能。主要关注点是可用的阳性ARDS病例数量有限,以及需要在独立数据集中进行验证。尽管专家医师对ARDS病例的审查增强了模型的有效性并拓宽了模型的适用性,但这一过程成本高昂,因而限制了阳性病例的数量。一个更高效的回顾性研究流程应纳入全面的ARDS识别算法,包括电子病历(EMR)、放射学报告和放射学图像(25, 41)。此外,所研究的特征通过心电图(ECG)反映心率变异性(HRV),而其他常规采集的传感器,如光电容积脉搏波描记法,也可能提供更丰富的特征嵌入。尽管专家教育能够区分同样导致HRV改变的混杂因素(如创伤性损伤),但额外的数据和额外的测量方法将改善未来ARDS的研究,以防止假阳性并确保在疾病进展早期或之前给予适当治疗。更进一步的工作将包括区分ARDS的严重程度,由于数据量有限,本研究未对此进行尝试。机器学习的探索局限于非线性方法和深度神经网络;然而,变压器网络可能能够通过特征学习自动推导出更高层次的特征嵌入。探索这些替代方案为在未来研究中完善和扩展这些发现提供了机会。

结论

本研究表明临床波形数据在预测ARDS方面具有潜力。仅基于波形特征的结果显示出强大的判别性能。此外,源自波形数据的特征增强了发病前12小时的预测能力,达到AUROC为0.92、灵敏度为0.86、阳性预测值(PPV)为0.58。这些发现提示可能存在仅存在于电生理数据中的高预测性标志物,而这些数据在床旁常被忽视。波形衍生特征的使用在结合电子病历数据和缺乏电子病历数据的情况下均显示出在早期识别ARDS患者方面的前景,并可能提供比完全基于电子病历的预测模型更少偏倚和更可靠的预测。此类特征有潜力改善ARDS的床旁临床护理,并促进ARDS临床试验的患者筛选。

致谢

我们感谢Kim Tierney、Pulakesh Upadhyaya和Tilendra Choudhary协助审阅本文。

补充材料

参考来源

  1. Marshall CE, Shi H, Ali A, et al. Continuous Physiologic Markers of Heart Rate Variability Derived From Bedside Electrocardiogram Precede Onset of Acute Respiratory Distress Syndrome: A Physiologic Modeling Study. Crit Care Explor. 2025. PMID: 41369267. doi:10.1097/CCE.0000000000001352
  2. 全文:PMC13652416(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC13652416/

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。