识别院外心脏骤停生存预测因素的相对重要性:一项机器学习研究
该研究利用瑞典心肺复苏登记处2008至2016年45,067例尝试复苏的院外心脏骤停病例,采用随机森林机器学习算法评估16个院前因素对30天生存的相对重要性。结果显示,预测生存最重要的前五位因素依次为初始心律、年龄、早期CPR(骤停至CPR时间及EMS到达前CPR)、EMS派遣至到达时间、骤停地点;初始心律与其余因素的重要性差距最大。性别、骤停发生时段、派遣中心处理时间、地区及日历年份重要性最低。在可电击心律患者中,骤停至除颤时间最为重要;在不可电击心律患者中,年龄最为重要。作者认为这些数据可为EMS决策支持工具提供基础。
要点
- 初始心律是院外心脏骤停30天生存最重要的预测因素,与其余预测因素的重要性差距最大。
- 年龄在所有分析中均居前两位;在不可电击心律患者中年龄是最重要的预测因素,且生存率随年龄增加在整个年龄谱(包括18岁以下)下降。
- 骤停至开始CPR时间与EMS响应时间至关重要:骤停后最初10分钟内生存率下降一半。
- 可电击心律患者中最重要的预测因素是骤停至除颤时间,其次为年龄、是否除颤、骤停地点、骤停至CPR时间。
- 性别、骤停发生时段、呼叫至EMS派遣时间、地区及日历年份对生存预测重要性很低。
适用人群与场景
- 2008至2016年瑞典心肺复苏登记处记录的所有尝试复苏的院外心脏骤停病例,共45,067例。
- 评估时间点为救护车到达时、任何干预(插管、药物、机械胸外按压等)或药物给予之前。
- 患者分为可电击心律(心室颤动或无脉性室性心动过速)与不可电击心律(无脉性电活动或心搏停止)。
研究设计与关键结果
- 研究类型为基于瑞典心肺复苏登记处的数据驱动机器学习研究,纳入2008至2016年45,067例尝试复苏的院外心脏骤停病例,使用随机森林算法(每个模型3000棵树)评估16个院前预测因素对30天生存的相对重要性。
- 队列平均年龄68.3岁,女性占33.1%;可电击初始心律占21.7%;EMS到达前除颤占5.2%;65%的病例为目击骤停;超过半数在EMS到达前尝试CPR,其中绝大多数由 laymen 实施;多数骤停发生在家中,三分之二为心脏病因;骤停至CPR和除颤的中位时间分别为3.0分钟和15.0分钟;总计34%在院前接受除颤。
- 总体预测生存最重要的前五位因素依次为:初始心律、年龄、早期CPR(骤停至CPR时间及EMS到达前CPR)、EMS派遣至到达时间、骤停地点;重要性最低的五位因素为:性别、骤停发生时段、呼叫至EMS派遣时间、地区及日历年份。
- 可电击心律患者中最重要的前五位预测因素为:骤停至除颤时间、年龄、是否除颤、骤停地点、骤停至CPR时间;重要性最低的五位因素与总体人群相同。
- 不可电击心律患者中最重要的预测因素为年龄、EMS到达前除颤、EMS到达时间、骤停地点和骤停病因,未见特别强的单一预测因素,重要性从最重要到最不重要逐渐下降。
- 骤停至开始CPR时间与30天生存的关联在三个组中一致:总体而言,骤停后最初10分钟内生存率下降一半;可电击心律和不可电击心律患者呈相似模式,后者较不明显;EMS响应时间呈现相同模式。
- 药物过量与溺水在所有心律中均与较好的生存相关,但无脉性电活动和心搏停止始终对应极低的生存概率。
- 模型10折交叉验证准确率为82.1%;使用梯度提升验证未发现与随机森林相比的实质性差异。
证据类型、等级与局限
- 证据类型:基于登记处的数据驱动机器学习研究(随机森林算法,梯度提升验证)。
- 局限:尽管机器学习算法能够处理大量预测因素,但本研究使用的16个预测因素被广泛认为是最相关的预测因素;获得更多变量可能会阐明更多有趣的发现。
- 局限:尽管使用了专门开发以减少共线性和尺度差异等问题的模型,但不能排除变量重要性受这些因素影响。
- 局限:尽管分析限于随机森林,但也拟合了梯度提升树,未注意到模型准确率的实质性差异。
- 局限:需要更多研究、包括更多变量,以进一步阐明各种因素在院外心脏骤停中的重要性。
对床旁实践的改变
- 作者认为,本研究报告的数据类型可为EMS工作人员在到达医院前判断继续复苏是否有意义提供决策支持工具的基础。
- 作者认为,本研究结果提示复苏链中哪些环节特别需要进一步加强。
- 作者认为,未来可望利用该技术创建结局预测模型,以支持临床医生根据生存机会采取适当的照护级别。
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11 节 · 点击展开
引言
院外心脏骤停(OHCA)预后极差。2008年至2016年期间,瑞典OHCA后的总生存率约为10%[1],美国也记录了相似的数据[2]。与OHCA后生存相关的一些最重要因素包括初始心律、旁观者心肺复苏(CPR)和除颤、救护车响应时间、年龄、性别、地点以及OHCA的病因[3–13]。大多数研究这些因素的研究采用传统回归模型来描述各种特征与生存之间的关联。尽管这种方法确实提供了重要的见解,但它并未正式评估每个因素对预测OHCA后生存的相对重要性。此外,传统的回归建模方法意味着从理论和主题知识构建模型,这容易因主观偏好和预期而产生偏倚[14]。
在本报告中,我们通过使用一种直接从数据构建模型的机器学习方法,调查了16个公认因素在OHCA中于救护车到达时、且在任何干预措施(插管、药物、机械胸外按压等)实施之前的相对重要性。这创建了一种数据驱动的变量重要性方法,并能自动捕捉交互作用和非线性关联。越来越多的证据表明此类机器学习模型优于回归模型[15–18]。因此,我们着手使用机器学习来检验16个预测因素的相对重要性。
方法
数据来源
数据收集自瑞典心肺复苏登记处(SRCR)。
Stromsoe等人对SRCR进行了详细描述并对报告数据进行了验证[19]。简言之,报告包括两个步骤:由紧急医疗服务(EMS)人员进行的初始报告,以及随访,随访主要由医院中的医疗保健提供者执行。自2007年末以来,EMS一直使用在线数据录入。瑞典所有EMS单位均向该登记处报告。因此,我们纳入了2008年至2016年期间记录的所有45,067例尝试进行CPR的OHCA病例。关于30天生存的信息从死因登记处获取。由于所有瑞典人从出生或移民时即被分配唯一个人识别号码,数据链接实际上是完整的。我们进一步深入分析了预测生存最强和最弱的各五个因素。CPR时间和旁观者CPR被一起讨论并被视为“早期CPR”。
30天生存的预测因素
为了采用数据驱动的方法,我们纳入了瑞典心肺复苏登记处(SRCR)中可用的全部16个变量。其中一些变量此前已有报道称对心脏骤停后的生存机会具有重要性[20]。登记处收集的所有变量均被纳入。初始心律被分类为可电击(心室颤动[VF]或无脉性室性心动过速[VT])或不可电击(无脉性电活动(PEA)或心搏停止)。评估了以下时间间隔(以分钟计):从心脏骤停(CA)到心肺复苏的时间;从CA到拨打911的时间;从拨打911到紧急医疗服务(EMS)调度的时间;以及从EMS调度到EMS到达患者身边的时间。CA地点被定义为家中、公共场所或非公共场所。非公共场所包括院外设施,如养老院、牙科和初级医疗保健设施、救护车,但也包括私人办公场所。公共场所包括院外和家外的所有其他场所,如火车站、购物中心等。患者进一步分为在家中发生OHCA和不在家中发生OHCA的患者。CA是否有目击者、EMS到达前是否尝试过心肺复苏、EMS到达前患者是否接受过除颤,以及患者是否由EMS人员除颤,这些也是二分类变量。救护车到达前的除颤使用在瑞典广泛可及的自动体外除颤器(AED)进行。因此,在本研究中,救护车到达前的除颤等同于使用AED。最后,日历年是一个分类变量,范围为2008年至2016年。CA原因有九个类别:心脏病、药物过量、事故、肺部疾病、窒息、自杀、溺水或EMS人员报告的其他原因。因此,心脏骤停的病因根据EMS人员的初步评估进行分类。患者被分为两组,即心脏病因或无心脏病因。
统计分析
我们使用随机森林——一种已成为医学研究标准工具的机器学习算法——来检验OHCA院前阶段评估的16个临床预测变量的相对重要性[21]。开发了二分类模型以计算模型中各预测变量的个体重要性。由于随机森林高度抗过拟合,我们为每个模型使用了3000棵树,尽管我们观察到超过2800棵树后准确率没有实质性改善。缺失数据使用MICE(链式方程多重插补)算法进行插补。我们没有对以下变量进行插补:除颤(是/否)、除颤时间、EMS到达前除颤,因为这些变量涉及患者的一个子集,即那些被发现为心室颤动的患者。
我们使用梯度提升对我们的发现进行了验证,与随机森林相比没有实质性差异。我们进行了10折交叉验证,最终模型的准确率为82.1%。
为了阐明关键预测因子(初始心律、心脏骤停(CA)原因、年龄、至心肺复苏(CPR)时间、至紧急医疗服务(EMS)到达时间)与30天生存率之间的关联,我们使用了偏依赖图(PDP)。这些图是预测函数的低维图形化呈现,使得在考虑模型中所有预测因子的同时,可视化预测因子与生存率之间的关联成为可能。PDP是解释机器学习模型输出的有效手段[22]。
变量重要性
van der Laan [23]对变量重要性进行了详细讨论。简言之,变量重要性是衡量每个预测因子重要程度的指标。最常用的重要性度量是置换准确度重要性。该度量通过随机置换每个预测因子获得,从而破坏预测因子与响应变量之间的关联。使用置换后的变量和其余未置换的变量进行新的预测;如果被置换的变量重要,则预测准确度下降。因此,变量重要性以置换变量前后预测准确度的差值来衡量。这些机器学习方法构建预测模型,并顺便自动量化模型中包含的所有变量的相对重要性,从而消除偏倚。我们使用了Strobl等人开发的置换准确度重要性,该方法能更好地处理预测因子量纲的差异(例如连续变量与因子变量)以及它们之间的相关性[24, 25]。重要性的单位是任意的。为便于解释,将其归一化为100。它通过置换来量化预测准确度的改善或损失而得出。数据使用R(R Foundation for Statistical Computing,v 3.6.1)进行分析。
结果
所有预测因子的相对重要性
平均年龄为68.3岁,女性占队列的33.1%。21.7%的患者初始心律为可电击心律,所有患者中有5.2%在EMS到达前接受了除颤。65%的病例为目击下发生。超过半数研究人群在EMS到达前尝试了CPR,其中绝大多数由非专业人员实施。大多数院外心脏骤停(OHCA)发生在家中,三分之二为心脏病因。从倒伏至CPR和除颤的中位时间分别为3.0和15.0分钟。总计34%在院前过程中接受了除颤。研究人群的详细特征和延迟时间见表1。
所有预测因子的相对重要性见图1a至c。总体而言,按重要性排序预测生存率的前五位因素为:初始心律、年龄、早期CPR(至CPR时间和EMS到达前CPR)、从EMS调度至EMS到达的时间(EMS响应时间)以及CA发生地点。重要性最大的差异见于初始心律与其余预测因子之间。重要性最低的五位因素为:性别、OHCA发生的一天中的时段、从紧急呼叫至EMS调度的时间(调度中心的处理时间)、OHCA发生的地区和日历年(图1a)。
在发现为可电击心律的患者中(图1b),五个最重要的预测因素为:至除颤时间、年龄、除颤(是/否)、心脏骤停地点以及从心脏骤停(CA)到心肺复苏(CPR)的时间。重要性差异最大的是从CA到除颤的时间与年龄之间。五个最不重要的预测因素与总体人群相同。
对于发现为非可电击心律的患者,最重要的预测因素为年龄、紧急医疗服务(EMS)到达前除颤、至EMS到达时间、CA地点和CA病因。我们未注意到任何特别强的预测因素;重要性从最重要到最不重要逐渐下降(图1c)。
关键预测因素与30天生存之间的关联
总体而言,最年轻患者的生存率最高(图2a–c)。然而,可电击心律与非可电击心律的关联曲线形状不同,可电击心律患者在0至30岁之间生存率相对稳定,而非可电击心律患者在同一年龄范围内生存率迅速下降。
从倒地到开始CPR的时间与30天生存之间的关联在全部三组中一致(图2d–f)。总体而言,倒地后的前10分钟内生存率减半(图2d)。在发现为可电击心律者(图2e)和发现为非可电击心律者(图2f)中注意到相似的模式,尽管后者较不明显。
从EMS调度到EMS到达的时间即EMS反应时间与30天生存之间的关联也呈现相同模式。
图3显示了心脏骤停病因与初始心律之间的交互作用及30天生存。显而易见,药物过量与溺水在所有心律中均与较好的生存相关,尽管无脉电活动(PEA)和心搏停止始终对应极低的生存概率。
讨论
必须强调,机器学习的主要优势在于其固有 ability 处理大量预测因素、捕捉非线性关联、使用非结构化/原始数据(图像、文本、视频等),并在没有任何领域知识的情况下创建数据驱动的预测模型。机器学习模型目前正被应用于医学研究的几乎每一个方面,最有希望的结果来自集成方法(本研究即使用了该方法)和深度学习[15, 26]。事实上,机器学习将使临床医生能够做出超人的决策和预测,正如近期研究所表明的那样[27, 28]。只要研究人员收集大量有用的多模态数据,复苏研究必将从这些进展中受益。
我们考察了16个因素在使用药物(肾上腺素或胺碘酮)和干预措施(如机械胸外按压或插管)之前预测院外心脏骤停(OHCA)患者生存率的相对重要性。使用方法驱动的方法,我们证明初始心律明显是最强的总体生存预测因素。我们还注意到,年龄在全部三项分析中均位列最重要的2个预测因素之一,当观察到生存率随年龄增长而急剧下降时(尤其是对于不可电击心律的患者),这一点尤为明显。我们还证明,几个传统上被认为重要的预测因素几乎没有或完全没有重要性;这些包括性别、倒下发生的时间以及地区。最后,我们证明推迟开始心肺复苏(CPR)和急救医疗服务(EMS)延迟时间绝对至关重要,因为在心脏骤停后的最初10分钟内生存率急剧下降。
上述一些总体信息并不新颖,此前已用不同的统计方法报道过。因此,可以说机器学习证实了先前关于OHCA后生存重要因素的知识[2–12, 15]。然而,本文的新颖之处在于,我们使用可用的偏倚最小的方法报告了不同因素对OHCA后生存机会的相对重要性,以呈现重要性层级。
因此,一个主要信息是,初始心律失常类型是迄今OHCA后生存机会最重要的因素。自动体外除颤器(AED)的使用未列入生存最重要的因素之中,这一观察结果可能由其与初始心律失常的紧密相关性来解释。
第二重要的因素是患者年龄,第三重要的因素是从倒下到开始CPR的时间。
一个重要发现是,尽管越来越多的受害者在EMS到达之前接受CPR,EMS响应时间仍然是生存机会最重要的因素之一,比倒下是否有目击者以及心脏骤停背后的假定病因更为重要。
另一个有趣的发现是,在被发现为不可电击心律的患者中,年龄对生存机会的重要性超过任何其他因素。此外,在被发现为不可电击心律的患者中,在整个年龄谱范围内均观察到生存率随年龄增长而下降,甚至在年龄小于18岁的患者中也是如此。最后,我们的数据提示,初始心律失常类型的相对重要性在不同病因之间似乎并不相同,因此在OHCA由溺水和药物过量引起时可能更为显著。然而,这些发现需要在未来研究中得到证实。
在考虑其他预测因素后,性别不是OHCA生存的重要预测因素。一些关于性别对OHCA结局重要性的研究表明,男性更可能被发现为可电击心律,且男性更可能存活至1个月[29, 30]。相反,多项研究表明女性性别是OHCA后生存机会增加的独立预测因素[3, 8, 13, 31]。值得一提的是,其中一些研究是在生存率远低于今天的时期进行的[31]。
因此,由于既往文献中结果相互矛盾,我们的数据可能补充重要信息,即当同时考虑其他因素时,患者性别似乎并不是院外心脏骤停(OHCA)后生存机会的重要因素[32]。
另一个较弱的预测因素是从呼叫调度中心到急救医疗服务(EMS)被派遣的时间。FINNRESUSCI院前研究组此前已表明,较短的派遣时间可能有利于生存[33]。我们的结果可能提示,由于斯堪的纳维亚地区调度员对OHCA的识别率相对较高[33–35],因此到EMS派遣的延迟时间较短,因而不会显著影响生存。事实上,这些延迟时间相对于EMS响应时间而言相对较短。此外,从紧急呼叫到EMS派遣的延迟效应可能已经被其他延迟变量(从心脏骤停(CA)到心肺复苏(CPR)的时间以及从EMS派遣到EMS到达的时间)所介导。的确,本研究表明EMS到达时间至关重要,因为在最初的10分钟内生存率下降50%。
局限性
尽管机器学习算法能够处理大量预测变量,但此处使用的16个预测变量被广泛认为是 most 相关的预测变量(我们模型所达到的准确度也表明了这一点)。然而,若能获取更多变量, presumably 会揭示更多有趣的发现。
尽管我们使用了专门开发的模型以尽量减少共线性、尺度差异等问题,但我们不能排除变量重要性受到此类因素的影响。尽管我们将分析限制于随机森林,我们确实也拟合了梯度提升树,但注意到模型准确度没有实质性差异。
据我们所知,这是同类研究中首批利用机器学习来检验各种因素在预测OHCA后生存中的相对重要性的研究之一。近来,机器学习已被提出作为预测OHCA后结局的合适技术[36]。有必要开展纳入更多变量的更多研究,以进一步阐明各种因素在OHCA中的重要性。
临床意义
尽管过去几十年OHCA的治疗取得了进展,但仍只有少数患者能够存活。因此,为EMS人员开发决策支持工具非常重要,这些工具可在到达医院之前就有助于决定继续复苏是否有意义。我们在本研究中报告的数据类型可能构成此类工具的基础。此外,我们的结果提示了生存链中哪些环节特别需要进一步加强。
结论
利用机器学习,我们证实了既往关于哪些因素对院外心脏骤停后30天生存重要的知识,并按重要性对其进行了排序。初始心律是迄今为止最重要的生存预测因素,其次是年龄、开始CPR的时间、EMS响应时间和OHCA发生地点。与许多既往研究相反,性别并未表现为结局的重要预测因素。借助这一技术,我们有望在未来创建结局预测模型,这可能支持临床医生根据生存机会采取适当的照护级别。
参考来源
- Al-Dury N, Ravn-Fischer A, Hollenberg J, et al. Identifying the relative importance of predictors of survival in out of hospital cardiac arrest: a machine learning study. Scand J Trauma Resusc Emerg Med. 2020. PMID: 32586339. doi:10.1186/s13049-020-00742-9
- 全文:PMC7318370(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC7318370/
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。