文献速递重症综合管理与镇静镇痛消化、代谢与肾脏急症

深度学习算法预测痴呆患者死亡率以筛选早期姑息治疗对象

Development and Validation of a Deep Learning Algorithm for Mortality Prediction in Selecting Patients With Dementia for Earlier Palliative Care Interventions.
PubMed 文献 · JAMA Netw Open · 2019-07-03
一句话结论基于纵向临床记录和人口学信息的深度学习模型在痴呆患者中预测6个月、1年和2年死亡率的AUC分别为0.978、0.956和0.943,作者认为该算法可能有助于识别可从早期姑息治疗中获益的患者,但尚未外部验证。

这项回顾性队列研究在Partners HealthCare System纳入26921例成人痴呆患者,利用人口学信息和纵向临床记录生成的500个潜在主题,构建并验证了预测6个月、1年和2年死亡率的LSTM深度学习模型。验证集2692例中,6个月模型AUC为0.978(95%CI 0.977-0.978),1年模型AUC为0.956(95%CI 0.955-0.956),2年模型AUC为0.943(95%CI 0.942-0.944)。与6个月、1年和2年死亡率相关的顶级潜在主题包括姑息与临终关怀、认知功能、谵妄、胆固醇检测、癌症、疼痛、医疗服务使用、关节炎、营养状况、皮肤护理、家庭会议、休克、呼吸衰竭和吞咽功能。作者认为该算法在预测痴呆患者不同时间框架的死亡率方面似乎显示出有希望的结果,但需要进一步研究以确定其在临床环境中应用的可行性。

要点

  • 验证集2692例痴呆患者中,6个月死亡率预测模型AUC为0.978(95%CI 0.977-0.978),1年模型为0.956(95%CI 0.955-0.956),2年模型为0.943(95%CI 0.942-0.944)。
  • 与6个月、1年和2年死亡率相关的顶级潜在主题包括姑息与临终关怀、认知功能、谵妄、胆固醇检测、癌症、疼痛、医疗服务使用、关节炎、营养状况、皮肤护理、家庭会议、休克、呼吸衰竭和吞咽功能。
  • 模型基于人口学信息和纵向临床记录生成的500个潜在主题,采用2层堆叠LSTM和2个注意力层,最少需要2次记录事件才能做出预测。
  • 作者认为,该模型可作为识别可能受益于姑息治疗评估的痴呆患者的替代指标,但不应在缺乏医护人员参与的情况下使用,因为计算机预测的死亡率本身并不是姑息治疗需求的决定性指标。
  • 作者指出,模型尚未在外部数据集验证,在系统验证完成前不应广泛应用于其他医疗系统。

适用人群与场景

  • 纳入2011年1月1日至2017年12月31日在Partners HealthCare System就诊的18岁以上阿尔茨海默病及相关痴呆(ADRD)患者,共26921例。
  • 进一步限定为已知死亡或末次就诊前2年内有临床记录可用、且记录超过1次临床记录的患者。
  • 研究数据来自美国马萨诸塞州波士顿的Partners HealthCare System,包括2家学术医疗中心(Brigham and Women’s Hospital和Massachusetts General Hospital)及多家社区医院、专科机构、社区健康中心等。
  • 模型训练要求每例患者至少有2次记录事件,少于2次记录事件的患者被排除在训练和验证数据集之外。

研究设计与关键结果

  • 研究为回顾性队列研究,纳入26921例成人痴呆患者(16263例女性[60.4%],平均[SD]年龄74.6[13.5]岁),随机按9:1分为开发集24229例和验证集2692例。
  • 开发集24229例中女性14632例(60.4%),平均(SD)年龄74.8(13.2)岁;验证集2692例中女性1631例(60.6%),平均(SD)年龄75.0(12.6)岁。
  • 共标记959628次记录事件,每人平均35至36次记录事件;超过75%的记录事件发生在死亡或末次就诊前2年以上。
  • 验证集2692例中,6个月死亡率预测模型AUC为0.978(95%CI 0.977-0.978),1年模型AUC为0.956(95%CI 0.955-0.956),2年模型AUC为0.943(95%CI 0.942-0.944)。
  • 与6个月、1年和2年死亡率相关的顶级潜在主题包括姑息与临终关怀、认知功能、谵妄、胆固醇检测、癌症、疼痛、医疗服务使用、关节炎、营养状况、皮肤护理、家庭会议、休克、呼吸衰竭和吞咽功能。
  • 开发集中死亡前0-3个月的记录事件为47219次,死亡前4-6个月为28472次。

证据类型、等级与局限

  • 证据类型:回顾性队列研究,遵循STROBE报告规范。
  • 模型未在外部数据集验证;由于不同医疗系统间人群多样性和临床记录差异,作者怀疑从一个医疗系统数据训练的模型可能需要额外调优才能适用于其他系统或电子健康记录。
  • 基于电子健康记录数据的机器学习模型可能存在偏倚,因为电子健康记录通常包含病情较重患者的更多医疗信息,这降低了模型对非电子健康记录环境的普遍性。
  • 基于模型的筛查只能在患者有记录可用时进行预测,且要求至少2次记录事件,这可能影响模型对所有痴呆患者在任何时间点进行预测的能力。
  • 预测主题的排名基于验证队列预测时神经网络的注意力生成,并不直接与这些主题适用的记录或患者比例相关,且排名可能随预测队列变化而改变。
  • 死亡率预测只是识别可能受益于姑息治疗患者的一个组成部分,未来的预测建模工作应超越死亡率预测,致力于识别重症患者人群更广泛的需求,如预测功能衰退和对生活质量的影响。
  • 作者结论:需要进一步研究以确定该算法在临床环境中用于更早识别痴呆患者未满足的姑息治疗需求的可行性。

对床旁实践的改变

  • 作者认为,该深度学习模型可作为医护人员和系统考虑患者可能接受姑息治疗干预的重要替代指标,但死亡率不是评估姑息治疗需求的唯一重要因素。
  • 作者指出,通过调整受试者工作特征曲线上的敏感度和特异度,基于深度学习的工具可根据可用姑息治疗资源识别可管理的患者分母,从而减轻医护人员负担。
  • 作者强调,这些模型不应在缺乏医护人员参与的情况下使用,因为计算机预测的死亡率本身并不是姑息治疗需求的决定性指标;姑息治疗的获益远不止死亡风险(如个人偏好、严重疾病对功能和生活质量的影响、心理社会和精神需求、疾病对照护网络的负担)。
  • 作者选择2年较长的时间框架,旨在推动痴呆患者更早进行关于目标和价值观的对话,侧重于以患者为中心的对话而非系统中心的决策(如入组临终关怀)。
  • 作者指出,在系统验证完成前(包括使用不同数据集评估模型的普遍性),这些模型不应广泛应用于其他医疗系统。

提炼说明

  • 原文未涉及「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。
全文中译10 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:JAMA Netw Open. 2019 Jul 12;2(7):e196972. doi: 10.1001/jamanetworkopen.2019.6972

引言

越来越多的美国成年人患有阿尔茨海默病及相关痴呆症(ADRD)。1,2,3 随着痴呆症进展,患者经常接受可能加重这一负担的干预措施,4,5 包括管饲6,7 和医院转诊。8 这些治疗如果无助于实现患者和家庭的目标,可能会导致生活质量差和家庭不满,9 同时还会推高临终阶段的医疗保健支出。10,11,12 早期姑息治疗干预在ADRD人群中具有前景,13,14 因为在其他患者人群中,提供姑息治疗可改善患者照护和家庭丧亲结局,并导致更合理地使用医疗保健资源。15,16,17,18,19,20 因此,国家组织正在加大呼吁,将姑息治疗覆盖范围扩大至更多患者。21,22 然而,确定哪些患者可能从姑息治疗中获益以及何时获益是困难的,并且仍然是扩大覆盖范围的关键障碍。数据表明,ADRD患者在生命晚期才接受姑息治疗,这可能干扰患者和家庭获益的积累。23 一种改善ADRD患者姑息治疗干预及时性的预测工具,有助于优化配置稀缺资源并改善患者照护。

目前识别有姑息治疗需求患者的方法严重依赖繁忙的医疗保健专业人员、理赔数据和逻辑回归模型,每种方法都有其固有局限性。24,25,26 一些生存预测工具,如姑息功能量表27 和姑息预后评分,28 已开发用于专科姑息治疗或临终关怀应用,基于指数多元回归分析,考虑专家策划的特征如功能能力、自我照护和经口摄入。然而,这些工具因需要每位患者的专家临床意见而受到限制。27,28 先前为预测更大规模ADRD患者群体生存而开发预后模型的工作,仅限于特定临床环境(如养老院29)或数据集(如照护者访谈和理赔记录30)。尽管短期预测模型,如6个月29 和12个月30,31 预测,对某些姑息治疗应用(如临终关怀)有帮助,但长期预测模型在ADRD中也很重要,不仅由于疾病性质及相关的认知和功能衰退,还因为高价值姑息治疗的许多基本要素,如预先照护规划、重病沟通以及关于患者目标和价值观的有意义对话,必须在疾病病程更早期进行。

为识别可能从早期姑息治疗干预中获益的ADRD患者,我们开发并验证了6个月、1年和2年死亡率预测模型,主要关注2年模型,使用深度神经网络和电子健康记录(EHR)中的纵向临床笔记。我们还通过确定源自临床笔记的与痴呆人群死亡率相关的预测因素,提高了复杂机器学习预测模型的透明度和可解释性。

方法

临床环境和数据来源

本回顾性队列研究在Partners HealthCare System(PHS)进行,该系统是位于马萨诸塞州波士顿的一家非营利性综合医疗保健系统。PHS医疗服务网络由2家学术医疗中心(布莱根妇女医院和马萨诸塞州总医院)创立,包括多家社区医院、专科设施、社区卫生中心及其他健康相关机构(如康复医院)。我们从PHS研究患者数据登记处(一个从各医院系统收集医疗记录的临床数据登记处)和企业数据仓库(EDW,存储患者EHR数据)收集数据。获取马萨诸塞州死亡索引以补充PHS数据集中可获得的死亡数据。本研究经PHS机构审查委员会批准,豁免研究参与者的知情同意,以二次利用电子健康记录。本研究遵循加强流行病学观察性研究报告(STROBE)队列研究报告指南。

研究队列

我们使用国际疾病分类第九版临床修订版代码290、294.1、294.2、331.0、331.1、331.2和331.82以及国际疾病统计分类第十版临床修订版代码F00至F03、G30.0、G30.1、G30.8、G30.9、G31.0、G31.1、G31.83和G31.9(完整扩展代码列表及其描述见补充材料e表1),识别了2011年1月1日至2017年12月31日期间在PHS就诊的年龄大于18岁的ADRD研究患者队列。我们进一步将队列限制为符合以下条件的患者:(1)已知已死亡或在我们的医疗保健系统最后一次就诊日期前2年内有可用的临床记录;(2)有超过1份记录的临床记录。

数据准备

在本研究中,我们纳入了患者年龄、性别、种族、民族、教育水平和婚姻状况,所有这些均由参与者或代理受访者(如家庭照护者)报告,并作为常规临床护理的一部分收集在EHR中。我们获取了研究期间记录的所有类型的临床记录(如门诊就诊记录、出院小结和会诊记录),但叙述性临床报告(如放射学和病理学报告)除外。我们进一步按日期汇总临床记录,将同一日期记录的所有记录连接为数据集中的1个记录事件。此后,我们使用类似于先前研究23中开发的自然语言处理方法,从临床记录中生成500个潜在主题以及每个记录事件的主题文档比例评分(表明文档中包含该主题信息的比例)。

为准备用于预测建模的研究队列标记数据集,我们从Partners企业数据仓库和马萨诸塞州死亡索引获取研究队列的生命状态(存活或死亡)。我们将研究队列与马萨诸塞州死亡索引链接,通过社会安全号码、性别和出生日期的组合或患者姓名、性别、出生日期和居住城市的组合进行精确匹配,以获得额外的死亡信息。我们还检索了截至2018年9月18日患者最后一次到PHS附属医疗保健机构就诊的日期,以确定研究队列的生命状态。

模型的开发

我们将死亡率预测表述为一项分类任务,模型旨在针对特定记录事件时点做出二元预测,即患者是否会在6个月、1年或2年内死亡。深度学习是训练深度神经网络以执行此类分类任务的过程。鉴于长短期记忆(LSTM)网络对纵向电子健康记录(EHR)数据的建模能力,我们选择长短期记忆(LSTM)网络32——一种新型循环神经网络——结合适当的基于梯度的学习算法,作为我们算法中的网络架构。此前有两项研究33,34使用LSTM网络预测院内死亡率、出院后死亡率和30天再入院率。我们构建的深度学习神经网络由2个堆叠的LSTM层和2个注意力层组成:一个置于输入层与LSTM层之间,另一个置于LSTM层与输出层之间(图1)。我们深度神经网络模型的输入为变量与500个主题的主题文档比例得分及患者人口学变量拼接而成。堆叠的LSTM层支持对输入数据进行层次化抽象。注意力层用于提升模型性能,同时在模型进行预测时追踪时间输入的重要性。35因此,我们能够为特定记录事件处的每个特征提取一个权重,表示其对模型预测的重要性。这些权重被用于对主题特征相对于6个月、1年和2年死亡率预测的预测能力进行排序。

我们将研究队列按9:1的比例随机分为开发数据集和验证数据集。开发数据集进一步分为训练部分和调参部分,其中89%的数据集用于根据交叉熵损失函数优化神经网络权重,11%用于优化超参数(例如学习率、网络深度、隐藏层大小)。我们将所需记录事件的最低数量设为2,以便我们的模型能够为每位患者提供足够的病史以做出可靠预测。记录事件少于2次的任何患者均被排除在训练和验证数据集之外。我们使用网格搜索调整其他超参数,以在调参数据集中获得最佳性能。此外,我们使用dropout来避免模型过拟合,该方法在每个训练轮次中随机关闭一定比例的人工神经元,以减少模型中神经元之间的相互依赖学习,并迫使模型学习更稳健的内部表示。

图1. 使用纵向临床记录和痴呆患者人口学特征进行预测建模的概览A,自然语言处理(NLP)预处理,在去除标点符号和其他符号后将原始临床文本转换为词袋。D表示文档。B,使用主题建模从临床文档(D)生成主题(T)特征。C,将主题特征与人口学特征拼接,形成神经网络的输入。D,具有2个注意力层(灰色标记的方框)的堆叠长短期记忆(LSTM)神经网络。X表示神经网络的输入变量,其也是步骤C的结果。 查看原图 ↗

统计分析

数据分析时间为2018年9月18日至2019年5月15日。我们使用验证数据集验证了最终的6个月、1年和2年死亡率预测模型,并使用受试者工作特征曲线下面积(AUC)报告了我们方法的性能。95%CI通过2000次分层bootstrap重复计算。36所有统计分析均使用R软件3.5.3版(R Foundation for Statistical Computing)进行。37

结果

我们在表1中呈现了患者人口统计学信息和记录事件特征。研究队列包括26921名符合纳入标准的患者(16263名女性[60.4%]和10658名男性[39.6%];平均[SD]年龄,74.6[13.5]岁)。在这些患者中,我们保留了10.0%(n=2692)用于验证,其余(n=24229)用于模型开发。在开发集的24229名患者中,14632名(60.4%)为女性,9597名(39.6%)为男性,平均(SD)年龄为74.8(13.2)岁。在验证集的2692名患者中,1631名(60.6%)为女性,1061名(39.4%)为男性,平均(SD)年龄为75.0(12.6)岁。在这2个数据集中,23039名患者为白人(85.6%),24661名为非西班牙裔(91.6%),12385名(46.0%)在2011年1月1日至2018年9月18日期间死亡。我们共标记了959628条记录事件,对应6个月、1年和2年死亡率。每人平均发现35至36条记录事件。超过75%的记录事件记录于死亡或患者最后一次就诊PHS机构之前2年以上。此外,在开发数据集中,越接近死亡时记录的事件越多(例如,死亡前0-3个月有47219条记录事件,而死亡前4-6个月有28472条记录事件)。

训练后的模型在验证数据集中患者所有记录事件的时间戳上进行预测。通过将每个预测事件的分类与患者生命状态进行核对,我们提出的模型预测2年死亡率的AUC达到0.943(95%CI,0.942-0.944),预测1年死亡率的AUC达到0.956(95%CI,0.955-0.956),预测6个月死亡率的AUC达到0.978(95%CI,0.977-0.978)(图2)。

在患者层面,预测过程中从注意力层提取的主题权重可提供信息,表明哪些主题在哪些既往记录事件中具有预测性(图3)。通过对验证队列中2692名患者所有记录事件预测时各主题的权重进行求和,我们确定了一系列主题作为6个月、1年和2年死亡率排名最高的预测特征。在痴呆患者中,与6个月及1年和2年死亡率相关的排名最高的潜在主题包括姑息治疗和临终关怀、认知功能、谵妄、胆固醇水平检测、癌症、疼痛、医疗服务使用、关节炎、营养状况、皮肤护理、家庭会议、休克、呼吸衰竭和吞咽功能。表2显示了与6个月、1年和2年死亡率相关的排名前20的主题及其由我们之一(J.R.L.)标注的标签;排名前100的主题见补充材料中的e表2至4。

表1. 研究队列和记录事件的特征 查看原表 ↗
图2. 深度学习模型预测患者死亡率的受试者工作特征曲线。在一个包含2692例阿尔茨海默病及相关痴呆患者的验证数据集中,基于深度学习的模型在6个月、1年和2年死亡率的记录事件层面分类中表现出色,6个月模型的受试者工作特征曲线下面积达到0.978(95% CI,0.977-0.978),1年模型为0.956(95% CI,0.955-0.956),2年模型为0.943(95% CI,0.942-0.944)。 查看原图 ↗
图3. 主题注意力热图及预测2年死亡率的相应记录事件。A,主题注意力热图,显示在最后一个记录事件时间戳预测2年死亡率时,来自先前50个记录事件中选定的20个预测主题的贡献。B,主题编号及其前10个概率最高的词。BUN表示血尿素氮;CHF表示充血性心力衰竭;Cre表示肌酐;DNI表示不插管;DNR表示不复苏;Glu表示葡萄糖;Hct表示血细胞比容;Hgb表示血红蛋白;ICMP表示重症监护管理计划;Plt表示血小板;PRN表示按需处方;SNF表示专业护理机构;VNA表示访问护士协会;WBC表示白细胞计数。 查看原图 ↗
表2. 与6个月、1年和2年死亡率相关的前20个预测主题 查看原表 ↗

讨论

本研究表明,使用包含患者人口统计学信息和电子健康记录(EHR)中纵向临床记录的大型数据集训练的深度神经网络,在预测6个月、1年和2年死亡率方面可以准确且有用,因此可作为筛选可能从姑息治疗评估中获益的患者的替代方法。所有3个模型的高性能(AUC评分)表明,临床记录连同患者人口统计学信息具有信息价值,且深度学习神经网络结构能够成功捕捉短期和长期纵向模式。此外,使用主题建模将临床记录转换为具有临床意义的主题,使我们能够追踪和可视化模型如何为每位患者做出预测(图3)。同时,在人群层面,该模型帮助我们在ADRD患者中识别在不同时间范围内与死亡风险强烈相关的因素(表2)。

过去,死亡预测研究依赖于理赔数据、38 行政数据39 或其他类型的数据(如调查数据),40 但很少有研究使用临床记录。我们相信本研究是首次在深度神经网络中研究临床记录,以识别与ADRD患者死亡预测相关的主题。在基于LSTM的神经网络中,临床记录从两个方面对死亡预测做出贡献:记录的纵向模式和临床记录的内容。首先,病历中频繁的记录可能表明在ADRD背景下疾病严重程度增加和衰弱恶化;因此,借助LSTM神经网络,可以识别长期和短期纵向模式用于死亡预测。其次,使用主题建模方法生成的主题捕捉了大量临床记录的语义和句法结构,为死亡预测提供了丰富的信息。在500个主题中,与6个月、1年和2年死亡率相关的排名最高的预测因素包括姑息治疗和临终关怀、认知功能(如痴呆状态、谵妄)、实验室检测(如胆固醇水平检测)、癌症、疼痛、医疗服务使用(如医院或机构护理、医疗就诊、重症监护和护理照护)、关节炎、营养状况、皮肤护理、家庭会议、结果沟通、吞咽功能、休克、呼吸衰竭和药物给药等。其中一些主题表明医疗保健专业人员可能已识别到患者的衰退(如姑息治疗和临终关怀的记录),而其他主题可能提示医疗保健专业人员尚未识别的患者状况变化(如认知功能、谵妄和功能状态)。只有少数研究明确列出了用于预测ADRD人群死亡率的变量。例如,Mitchell等29,41将住院时间、呼吸困难、压疮、完全功能依赖、大部分时间卧床、摄入不足、大便失禁、体重指数、体重减轻和充血性心力衰竭列为最能预测6个月生存率的变量。使用主题建模方法,我们能够捕捉到似乎类似于先验选择的变量的主题,以及许多结构化数据中可能无法获得的额外变量。

与现有筛查方法(如“意外问题”方法)相比,我们的模型可以在大规模患者群体中以更少的时间和精力进行计算。24,42 既往研究表明,医疗保健专业人员虽然方向总体正确,但在估计死亡时间方面存在困难。43,44 长期预测对人类来说通常更困难;这可能也适用于机器,因为当预测时间范围变长时,我们的死亡预测模型性能略有降低。然而,我们的2年模型仍然达到了0.943的高AUC。因此,在临床实践中使用深度学习预测模型进行患者分层,对于识别接近生命最后1年或2年的ADRD患者具有显著前景。

尽管死亡率并非评估姑息治疗需求的唯一重要因素,但诸如此类算法的工具可能提供一个重要的替代指标,供医疗保健专业人员和系统用以考虑患者是否可能接受姑息治疗干预。通过沿受试者工作特征曲线调整灵敏度和特异度,基于深度学习的工具可用于识别数量可管理的、可考虑接受干预的患者,从而减轻医疗保健专业人员的负担,具体取决于可用的姑息治疗资源。这些工具还可帮助根据特定时间范围内预测的死亡概率来指导患者需求的优先排序。重要的是,这些模型不应在缺乏医疗保健专业人员参与的情况下使用,因为仅凭计算机预测的死亡率并非姑息治疗需求的决定性指标;姑息治疗的获益远不止取决于死亡风险(例如,个人偏好、严重疾病对功能和生活质量的影响、心理社会和精神需求,以及疾病对照护网络的负担)。此外,我们选择了2年的较长时间范围,旨在推动在阿尔茨海默病及相关痴呆症(ADRD)中更早开展关于患者目标和价值观的对话,并侧重于以患者为中心的对话,而非以系统为中心的决策(如入住临终关怀机构)。

局限性

我们研究的一个主要局限性是,我们的模型尚未使用外部数据集进行验证。由于不同医疗保健系统之间存在人群多样性和临床记录差异,45 我们怀疑,基于一个医疗保健系统的数据训练的模型可能需要额外调优才能适应其他系统或电子健康记录(EHR)。因此,在进行系统性验证(包括使用不同数据集评估模型的泛化能力)之前,这些模型不应广泛应用于其他医疗保健系统。其次,使用EHR数据开发的基于机器学习的模型可能存在偏倚,因为EHR通常包含病情较重患者的更多医疗信息,这降低了模型对非EHR环境的泛化能力。46,47 第三,基于模型的筛查只能在患者有可用记录时进行预测,要求至少有2个记录事件。这一局限性可能影响模型在任何时间对所有ADRD患者进行预测的能力。第四,预测主题的排名是基于神经网络在验证队列预测过程中的注意力生成的,并不直接与这些主题适用的记录或患者比例相关,且此类排名可能随预测队列的变化而变化。第五,死亡预测只是识别可能从姑息治疗中获益的患者的一个组成部分,未来的预测建模工作应超越死亡预测,致力于识别重症患者群体更广泛的需求,例如预测功能衰退和对生活质量的影响。48

结论

在评估预测模型作为识别ADRD患者以进行早期姑息治疗干预的替代工具时,一种使用患者人口学信息和从纵向临床记录中提取主题的深度机器学习算法,在预测6个月、1年和2年死亡率方面似乎显示出有希望的结果。需要进一步研究以确定在临床环境中应用该算法以更早识别痴呆患者未满足的姑息治疗需求的可行性。

参考来源

  1. Wang L, Sha L, Lakin JR, et al. Development and Validation of a Deep Learning Algorithm for Mortality Prediction in Selecting Patients With Dementia for Earlier Palliative Care Interventions. JAMA Netw Open. 2019. PMID: 31298717. doi:10.1001/jamanetworkopen.2019.6972
  2. 全文:PMC6628612(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC6628612/

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。