文献速递心脑血管急症重症综合管理与镇静镇痛

人工神经网络改善院外心脏骤停入住ICU患者的早期结局预测与风险分层

Artificial neural networks improve early outcome prediction and risk classification in out-of-hospital cardiac arrest patients admitted to intensive care.
PubMed 文献 · Crit Care · 2020-07-30
一句话结论基于TTM试验的事后分析显示,人工神经网络模型可优秀预测院外心脏骤停患者180天功能结局,并优于传统逻辑回归模型。

该研究为TTM试验的事后分析,纳入36个中心932例院外心脏骤停后昏迷的成人患者,使用人工神经网络(ANN)基于入院时可获得的54个临床变量预测180天功能结局(CPC 1-2为良好,CPC 3-5为不良)。ANN模型在独立测试集上的AUC为0.891,显著优于基于逻辑回归的TTM风险评分(AUC 0.904 vs 0.839,p=0.029)。仅使用年龄、ROSC时间和首次监测心律三个变量即可达到测试集AUC 0.852。ANN分层分析显示,在五个预设风险等级中,33°C与36°C目标温度管理的干预效应相似。

要点

  • ANN模型基于入院时54个变量预测180天功能结局,测试集AUC 0.891,优于逻辑回归TTM风险评分(AUC 0.904 vs 0.839,p=0.029)。
  • 仅用年龄、ROSC时间和首次监测心律三个变量,简化ANN模型在测试集AUC达0.852。
  • 单独使用院前数据预测性能最佳(测试集AUC 0.861),优于仅入院数据(AUC 0.784)或仅背景数据(AUC 0.670)。
  • ANN分层分析显示,在五个预设风险等级中,33°C与36°C目标温度管理的干预效应相似。
  • 作者认为ANN可用于将异质性试验人群分层,并帮助确定亚组干预效应。

适用人群与场景

  • 纳入TTM试验的939例患者中932例进行分析,为院外心脏骤停后成功复苏并持续ROSC的昏迷成人(GCS≤8,≥18岁),推测心脏原因,入住36个ICU。
  • 排除6例因结局缺失,1例因缺失值过高(>40%)被排除。

诊断标准与关键阈值

  • 良好功能结局定义为180天随访时脑功能分类(CPC)1-2分,不良功能结局定义为CPC 3-5分。
  • 预设五个风险等级:基于随机化时可用变量预测180天不良结局风险为0-20%、20-40%、40-60%、60-80%、80-100%。

研究设计与关键结果

  • 研究类型:TTM试验的事后分析,纳入932例患者,来自36个中心,随机分为33°C或36°C目标温度管理。
  • 主要终点:180天功能结局(CPC 1-2为良好,CPC 3-5为不良),440例(47%)为良好结局,492例(53%)为不良结局。
  • ANN模型基于54个变量(数据集A)在测试集(n=93)上AUC为0.891;交叉验证AUC为0.852±0.017。
  • 与TTM风险评分比较:ANN模型AUC 0.904 vs TTM风险评分AUC 0.839(p=0.029),基于80例测试集。
  • 简化ANN模型仅用年龄、ROSC时间、首次监测心律三个变量,测试集AUC为0.852,交叉验证AUC为0.820±0.011。

证据类型、等级与局限

  • 证据类型:基于随机对照试验的事后分析。
  • 局限:多数变量存在缺失值,采用均值或众数替代;院前数据可能不精确;TTM试验队列为选择人群(仅推测心脏原因),难以推广至未选择的 cardiac arrest 患者;交叉验证AUC与测试集AUC存在差异,测试集表现更好值得注意;ANN模型仍有些“黑箱”性质,应用于真实临床场景存在复杂性。
  • 作者指出需要在独立的前瞻性队列中验证。

对床旁实践的改变

  • 作者认为,ANN模型可优秀预测院外心脏骤停昏迷患者的长期功能结局,并优于传统逻辑回归模型。
  • 作者认为,基于入院时数据的ANN模型可能有助于早期风险分层和预后判断,但尚需在前瞻性队列中验证。
  • 作者认为,ANN可用于将异质性试验人群分层,并帮助确定亚组干预效应。

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。
  • 另有 1 条提炼内容因数值无法与原文逐一核对而未列出,请以原文为准。
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:Crit Care. 2020 Jul 30;24:474. doi: 10.1186/s13054-020-03103-1

引言

在过去十年中,计算能力的提升和算法的改进使机器学习得以复兴,成为传统回归模型分析大型数据集的替代方法。机器学习已被发现在多种临床场景中具有价值,例如心电图(ECG)模式的解读、在急救电话或急诊科中检测心脏骤停、预测创伤性脑损伤的结局,以及作为传统分诊和早期预警评分的替代方法来预测重症监护需求[1–5]。也有研究提出将其用于预测入住重症监护病房(ICU)患者的死亡率[6]。

近年来,机器学习模型已被用于在院外心脏骤停(OHCA)队列中,在复苏链条的早期以高准确度预测结局,该人群的总死亡率超过80%[7, 8],但这些模型不适用于OHCA后入住ICU的患者。已知有多种因素影响OHCA人群的总体结局,包括患者年龄和合并症、心脏骤停特征及入院时状态[9–16]。尽管这些变量各自携带重要的个体信息,但在当前推荐的多模式神经功能预后评估算法中均未被纳入[17, 18],因为这些变量各自的独立预测能力有限。已有若干预测模型利用入院时可获得的临床变量建立。基于逻辑回归的风险评分已被提出,通常表现出中等至良好的准确度,包括“CAHP(心脏骤停医院预后)风险评分”[19]、“OHCA风险评分”[20]以及Aschauer等人于2014年发表的评分系统[21]。迄今为止,这些模型均不够精确,无法用于OHCA后的个体化预测。基于目标温度管理(TTM)试验数据的“TTM风险评分”使用十个与不良结局(包括OHCA后6个月死亡)相关的独立预测因子,实现了优异的结局区分能力,受试者工作特征曲线下面积(AUC)为0.818–0.842[22]。借助稳健且准确的疾病严重程度和死亡风险早期分类算法,多模式预后评估有望进一步改善,以实现针对个体治疗和干预效应的患者分层。这可能仅适用于部分患者亚组,未来可在异质性临床试验中加以区分。

利用TTM试验的数据库,我们旨在研究人工神经网络(ANN)——一种监督式机器学习算法——能否检测OHCA幸存者入院时可获得的临床变量之间更复杂的依赖关系,并以优于传统回归模型的准确度对长期功能结局进行早期可靠预测。我们还希望基于背景资料、院前数据和入院中心数据,探讨“生存链”中哪一部分包含最多的预测信息。最后,尝试展示TTM试验中不同疾病严重程度风险类别之间治疗效应的任何差异。

材料与方法

研究背景

我们纳入了2010年至2013年在欧洲和澳大利亚36个重症监护病房(ICU)中参加TTM试验的全部939例患者。该试验纳入因推测心源性原因发生院外心脏骤停(OHCA)并成功复苏后持续恢复自主循环(ROSC)的昏迷成人(格拉斯哥昏迷量表(GCS)≤ 8,年龄≥ 18岁)。患者入住ICU并随机分配至33 °C或36 °C的目标温度管理(TTM)[23]。试验方案经各参与国伦理委员会批准,知情同意根据国家法律予以豁免或从所有参与者或其亲属处获取,符合《赫尔辛基宣言》[24]。患者数据录入在线电子病例报告表并接受外部监查。主要试验结果已针对时间、研究中心及其他可能的偏倚进行了敏感性分析,并在事后分析和亚研究中加以详细阐述。所有分析均显示两个温度组的结果相似[25–28]。因此,本次分析使用汇总的TTM数据集。

变量

基线合并症、人口学资料、院前数据、心脏骤停特征和生理变量以及入院数据均按照Utstein标准[29, 30]系统收集,并分类为背景变量、院前变量和入院变量(表1)。记录从心脏骤停(CA)到开始基础生命支持(BLS;由旁观者或第一响应者实施)和高级生命支持(ALS)的时间。无血流时间和低血流时间分别定义为从CA到开始心肺复苏(CPR)(BLS或ALS)的时间以及从开始CPR到ROSC的时间。ROSC时间定义为从CA到首次记录的持续(> 20 min)自主循环时间点的时间。“无血流”(指从心脏骤停到开始心肺复苏(CPR)的时间)和“低血流”(指从开始CPR到自主循环恢复(ROSC)的时间)常用于描述CPR治疗的情况。然而,从临床角度来看,与“旁观者CPR”、“至高级CPR时间”和“至ROSC时间”相比,这些术语不够直观;因此,创建了两个数据集。数据集A——所有变量加上“旁观者CPR”、“至高级CPR时间”和“至ROSC时间”,但不包括“无血流”和“低血流”。数据集B——所有变量加上“无血流”和“低血流”,但不包括“旁观者CPR”、“至高级CPR时间”和“至ROSC时间”(表1)。

表1 6个月后按良好结局(CPC 1–2)和不良结局(CPC 3–5)分层的基线特征 查看原表 ↗

结局

本研究的主要结局为180天功能结局,包括使用二分类脑功能分级(CPC)量表评估的生存情况,其中CPC 1–2归类为良好功能结局,CPC 3–5归类为不良功能结局[31]。良好功能结局(CPC 1–2)包括日常生活独立但可能存在轻度残疾的患者。不良功能结局(CPC 3–5)包括依赖他人、处于昏迷或植物状态以及死亡的患者[32]。CPC由设盲评估者在结构化访谈(面对面或电话)中进行随访分级[33]。

预测模型

我们旨在创建两种不同的预测模型:最佳可能的预测模型,该模型包括患者入住重症监护室时可获得的54个输入变量(表2);以及通过按各变量单独性能排序、并根据其相对重要性每次加入一个变量而构建的简化预测模型。这些变量的排序是通过计算其各自从整体模型中减去时对AUC的单独影响得出的。我们希望研究我们的模型与基于同一队列逻辑回归分析的早期风险评分系统相比表现如何[22]。

我们还希望分析在背景变量、院前变量或入院变量中,哪些变量和临床信息携带最多的预测信息,并将其与整体模型进行比较。最后,我们进行了33 °C vs 36 °C干预效果按风险等级分层的分析。五个风险等级定义为基于随机化时可获得变量计算的180天不良结局风险0–20%、20–40%、40–60%、60–80%和80–100%。

表2 数据集A中的预测因子排序和预测性能 查看原表 ↗

人工神经网络(ANN)的设计与评估

随机选取对应于10%数据的测试集并预留,用于测试最终ANN模型的性能。剩余数据(90%)用于训练。训练集被随机分为五个等大小的组,以便在模型开发过程中进行交叉验证。缺失值采用基于训练集的简单均值或众数替代法进行插补。

我们的人工神经网络(ANN)由1个输入层、若干隐藏层和1个输出层组成(图1)。采用基于树结构Parzen估计器(TPE)的贝叶斯优化方法寻找最佳网络架构[34]。最优超参数的搜索在以下范围内进行:隐藏层1~4层,每层5~400个节点,批大小1~128,学习率10−7~1,激活函数选择为修正线性单元(ReLU)或双曲正切函数。为提高泛化能力,使用贝叶斯优化确定最合适的正则化参数。算法在权重衰减技术L1范数惩罚、L2范数惩罚(分布在10−5~1之间)或最大范数正则化(分布在1~5之间)之间进行选择。为进一步提高泛化能力,应用了dropout[35]和批归一化[36]。隐藏层中节点被丢弃的概率均匀分布在0~0.5之间,输入层为0~0.3之间。输出层单个节点使用sigmoid激活函数[37]。所有网络均使用早停法训练,耐心值为50个epoch。最大epoch数设为1000。测试了两种不同的损失函数优化方法:随机梯度下降(SGD)的Adam实现和一种略有不同的版本称为Adam AMSGrad[38]。产生最佳性能网络的超参数如下:单层网络,149个节点,使用ReLU激活函数和L2范数权重衰减,λ = 0.1374。输入dropout率为0.240,隐藏dropout率为0.405。此外,优化算法为Adam AMSGrad,学习率为0.00197,批大小为29。使用了批归一化。所有网络均使用TensorFlow创建,这是由Google开发的开源机器学习框架[39]。

图1 人工神经网络(ANN)。一个具有1个输入层、2个隐藏层和1个单输出层的示意性ANN。网络中所有节点的连接方式类似于人类中枢神经系统。我们ANN中的输入层由变量(背景、院前和/或入院数据)组成,而输出层为结局变量脑功能分类(CPC)量表,二分为良好(CPC 1~2)或不良(CPC 3~5)功能结局。 查看原图 ↗

统计分析

所有连续变量以中位数及上下四分位数即四分位距(IQR)表示。分类变量以数量和百分比表示。缺失数据的比例报告于表1。组间比较时,连续数据使用Mann-Whitney U检验,分类数据使用Fisher精确检验。为评估ANN模型的性能,我们检查了受试者工作特征曲线(ROC),该曲线绘制了所有阈值设置下敏感度对1-特异度的关系。我们使用曲线下面积(AUC)作为性能指标[40],并采用DeLong等人[41]的方法计算AUC差异。

绘制森林图以评估五种预先定义的基于人工神经网络(ANN)分层的预后不良风险类别与33 °C和36 °C目标温度管理治疗之间的关联。所有p值均为双侧,p < 0.05被认为具有统计学意义。我们采用STROBE声明风格撰写研究手稿[42]。

结果

在TTM试验纳入的939例患者中,932例被纳入本研究的最终分析。6例患者因结局数据缺失被排除,1例患者因缺失值过多(> 40)被排除。人群特征经分类整理后作为背景变量、院前变量和入院变量呈现在表1中。在180天随访时,440例(47%)患者功能结局良好(CPC 1–2),492例(53%)患者功能结局不良(CPC 3–5)。与功能结局良好的患者相比,功能结局不良的患者年龄显著更大(68岁 vs 61岁,p < 0.001),女性比例更高(22.6% vs 15.0%,p < 0.01),且心血管合并症程度更高。功能结局不良的患者入院时还表现出更差的临床神经系统检查结果、更多的代谢性和呼吸性酸中毒以及循环性休克的存在(表1)。

随后将数据集随机分为用于开发ANN模型的训练集(n = 839)和用于独立评估模型泛化性能的测试集(n = 93)。基于数据集A的54个变量构建的总体ANN模型在预测6个月后结局方面显示出良好的预后能力。交叉验证AUC(来自训练集)为0.852 ± 0.017(表2b),独立内部验证数据集(测试集,n = 93)上的AUC为0.891,如图2所示。使用数据集B中的53个变量时也发现了相似的结果(交叉验证AUC 0.852 ± 0.018,测试集AUC 0.889)。由于数据集A中的变量在临床环境中使用更为直观,且两个数据集的AUC相似,我们选择重点关注数据集A。

在分别使用背景变量、院前变量或入院变量信息进行独立分析时,仅纳入院前数据的模型在验证集(测试集)上的表现最佳,AUC为0.861,相比之下仅使用入院数据(测试集AUC 0.784)或仅使用背景数据(测试集AUC 0.670)的表现较差。在测试集上比较“TTM风险评分”[22]与我们的ANN模型之间的性能差异时,ANN模型的AUC显著更优(0.904 vs 0.839,p = 0.029),如图3所示。

为了创建简化的预测模型,所有54个变量根据其个体重要性以及从模型中移除时对AUC的影响进行排序。将最重要的15个变量逐一加入模型时的排序及相应AUC见表2b。预测性能最初迅速提高,但随后趋于平稳,逐渐接近使用全部54个变量模型的参考AUC值(图4)。加入5个变量后,模型之间的性能不再有显著提高。在入院时可获得的所有变量中,“年龄”、“ROSC时间”和“首次监测心律”是携带最多预测信息的三个变量。当仅将这三个变量组合在神经网络模型中时,它们显示出良好的区分能力,交叉验证AUC为0.820 ± 0.011(训练集),验证测试集AUC为0.852(表2b)。最后,我们将试验队列分为五个不良结局风险等级。ANN分层分析显示,在这五个预先定义的风险等级中,33 °C或36 °C的TTM治疗效果相似,以诊断比值比的对数(log (DOR))衡量(图5)。风险等级0–20%的风险预测log (DOR)为2.2(n = 94,CI95% − 4.2–8.7,p = 0,25);风险等级20–40%的log (DOR)为0.24(n = 206,CI95% − 0.43–0.92,p = 0.24);风险等级40–60%的log (DOR)为0.01(n = 170,CI95% − 0.59–0.61,p = 0.49);风险等级60–80%的log (DOR)为0(n = 202,CI95% − 0.72–0.70,p = 0.51);风险等级80–100%的log (DOR)为− 3.3(n = 142,CI95% − 9.7–3,p = 0.85)。

图2 预测性能。长期功能结局的预测性能以ROC曲线中的AUC表示,由使用入住重症监护室时可获得的全部54个变量的ANN模型得出。在研究纳入的932例患者中,随机选择93例患者(10%)并将其从训练集中移除,ANN算法在该训练集上训练其预测模型。随后使用训练好的ANN对先前移除的93例患者进行结局预测,以代表测试集。我们的ANN平均AUC为0.891,表明其预测长期结局的性能优秀。AUC,曲线下面积;ROC,受试者工作特征;ANN,人工神经网络 查看原图 ↗
图3 预测性能比较。我们的ANN模型(蓝色)与Martinell等人的TTM风险评分(绿色)之间长期结局预测性能的比较,以ROC曲线中的AUC表示。基于TTM数据集中80例患者(测试集)的比较分析显示,ANN模型(AUC = 0.904)显著优于TTM风险评分(AUC = 0.839)(p = 0.029)。由于“TTM风险评分”没有处理缺失值的策略,在比较两个模型时,从原有93例患者的测试集中移除了13例患者。图2和图3中的ANN AUC因相同原因而不同。AUC,曲线下面积;ROC,受试者工作特征;ANN,人工神经网络;TTM,目标温度管理 查看原图 ↗
图4 添加变量后预测性能提高。每次添加一个预测变量并每次运行优化过程时,训练期间AUC的变化(AUCCV)。模型的预测性能(由蓝线及其绿色区域对应的CI表示)最初迅速提高,但随后趋于平稳,逐渐接近使用全部54个变量的模型的参考AUC(由虚线及其粉色区域对应的CI表示)。添加五个变量后,两个模型在预测性能方面无显著差异,图中以红色X标记。AUC,曲线下面积;CI,置信区间 查看原图 ↗
图5 人工神经网络(ANN)分层风险组的诊断比值比。该森林图显示了CPC评分>2的五个ANN分层风险组的对数诊断比值比及其与33 °C和36 °C目标温度管理治疗的相关性。诊断比值比>1意味着与33 °C相比,36 °C治疗时功能结局更好。CPC,脑功能分类 查看原图 ↗

讨论

在本研究中,我们对TTM试验中纳入的OHCA患者进行了事后分析,并使用人工神经网络(ANN)这一监督机器学习模型,利用住院时即可获得的信息来预测功能结局,包括180天生存率。在同一队列先前的一项研究中,我们的模型预测结局的表现优于相应的逻辑回归模型[22]。基于入院时全部54个变量的整体ANN模型在内部验证训练中显示出极好的结局预测能力,并在测试集上表现更佳,AUC为0.891。在ANN中仅使用三个最重要的独立因素(年龄、ROSC时间和首次监测到的心律,这些均为到达急诊室时即可知晓的变量)所得模型在测试集上具有极好的预测能力,AUC为0.852,优于该领域大多数已提出的模型[19–22]。为识别哪类信息对结局具有最有价值的预测作用,我们还设计了一个分别使用三个可用数据类别(背景资料、院前数据和入院数据)的模型。与整体模型相比,这种方法降低了预测能力,但院前环境中的变量携带的信息最多。

大型实用性临床试验因异质性而受到批评,并可能稀释理论上可能对患者亚组相关的任何干预效应[43]。在本研究中,我们使用ANN进行了分层分析,以定义与结局相关的风险类别,从而可研究任何干预效应。当将TTM试验人群分为五个不同的不良结局风险类别时,我们的模型未显示33 °C或36 °C干预效应对结局有任何显著差异。因此,干预效应在各风险类别间是一致的,这强化了该试验的主要结论,但也提示了一种可用于检测其他临床试验中亚组效应的可能模型。

在重症监护入院时的院外心脏骤停(OHCA)人群中,已有多项尝试旨在建立稳健且直接的结果预测评分,以便早期识别具有不良结局显著风险的患者,并比传统分类如急性生理、年龄和慢性健康评估(APACHE)及简化急性生理评分(SAPS)更好地对疾病严重程度进行分层,已知这些传统分类在OHCA人群中表现不佳[19–21, 44]。人工神经网络(ANN)算法未来一个有趣的用途将是能够可靠评估OHCA患者个体不良结局风险,这可能对早期分配特定干预措施(量身定制的治疗)以及后期临床病程中告知预后和持续生命支持具有临床意义。近年来,机器学习越来越多地用于各种研究,并被证明是一种有前景的数据分析方法。与传统回归模型相比,机器学习具有优势,即在大型复杂数据集中检测自变量之间相关性的能力,以及在数据子集中发现趋势或模式的能力。最近发表的研究显示了机器学习在OHCA预测方面的潜力,性能非常好[7, 8]。在Kwon等人的一项研究中,纳入了超过36,000名OHCA患者,基于深度学习的OHCA预后系统在预测OHCA患者神经功能恢复和出院存活方面表现出令人印象深刻的性能,AUC为0.953 ± 0.001。然而,未提供这些患者长期结局的信息,且总体死亡率非常高,本质上增加了达到高AUC的可能性。该研究中使用的队列具有异质性,包括超过8000名(22%)创伤性原因心脏骤停患者,已知其结局不佳,因此可能对模型的预测性能有显著贡献[8]。在存活率约50%的人群中,如入住重症监护的OHCA患者,我们的模型仅使用早期数据即达到接近约0.9的AUC,应鼓励在独立的前瞻性队列中进行验证。已有一些研究表明机器学习相对于基于逻辑回归的模型缺乏性能优势。在Christodoulou等人2019年的一项系统综述中,未发现机器学习优于逻辑回归的性能证据[45]。然而,该研究确实得出结论,比较建模算法的试验需要在方法学和报告方面进行改进,而我们的研究确实表明ANN相比最先进的逻辑回归具有显著更好的性能。

本研究存在若干局限性。大多数变量存在缺失值,这给预测模型的开发带来了诸多挑战。为确保不从数据集中剔除过多患者或过多重要变量,我们选择了一种简单策略,即对连续变量用均值替代、对分类变量用众数替代。由于在院前环境中难以登记准确且有效的信息,院前收集的数据可能不精确。此外,TTM试验队列是一个经过选择的人群,仅纳入推测为心脏原因导致心脏骤停的患者,这使得我们的结果难以推广至未经选择的 cardiac arrest 患者。交叉验证(训练)AUC与测试集所得AUC之间存在差异。这是正常现象[46],但模型在测试集上表现更好这一事实值得注意。由于人工神经网络(ANN)的性质,有两个可能因素起主要作用:测试集中的患者数量,以及我们使用交叉验证期间创建的网络集成来对测试集进行预测。集成技术是一种广泛使用的正则化方法。采用该方法应当——如本例中基于5折交叉验证——提高模型的泛化能力。最后,由于生物学的复杂性以及医疗情境的多变性,在将结果应用于真实临床环境方面,使用ANN模型进行数据分析在某种程度上仍是一个“黑箱”。

研究优势包括使用了定义明确的院外心脏骤停(OHCA)患者队列。TTM试验是一项国际多中心随机对照试验,具有预先定义的基于方案的纳入和治疗标准。对多模态神经功能预后评估和撤除生命维持治疗有严格规定。长期结局随访以极少的数据丢失完成,并由一名盲法评估者在与患者及其近亲属的会面中依据结构化方案进行评估,包括神经系统检查和面对面访谈。

稳健且直观的预测评分作为支持临床评估的实用决策工具,可能通过将非常先进且潜在高风险的侵入性治疗导向可能从中获益的患者,从而改善心脏骤停的整体救治。此类评分有望提高向近亲属提供可靠预后信息的能力,且早于目前心脏骤停后神经功能预后评估所推荐的至少72小时观察时间[17, 18, 47, 48]。

我们认为,本研究是朝着改善心脏骤停后存活且功能预后良好的昏迷患者结局预测迈出的重要一步。在不久的将来,我们将获得纳入1900例患者的TTM2试验结果[49],从而提供一个更大的、独特的院外心脏骤停(OHCA)患者注册数据库用于人工神经网络(ANN)分析,并有望改善这些患者的结局预测。未来可靠的、心脏骤停特异性的严重程度评分用于早期结局预测的进展,可能在医学和伦理方面以及资源方面带来一些明显的好处。未来研究应探讨通过增加额外数据和临床变量(如早期脑电图、神经影像学和生物标志物)是否能显著提高结局预测性能。最后,为了能够识别OHCA人群中不良结局风险增高的亚组,或可能从特定干预中获益或需要广泛康复的亚组,需要在更大数据集上开展进一步研究以证明显著关联。

结论

我们的ANN监督机器学习模型对神经功能恢复(包括生存)的预测效果优异,并优于基于逻辑回归的传统模型。利用入院时可获得的数据,与院前环境相关的因素携带了最多的预测信息。ANN可将异质性试验人群按风险等级进行分层,并有助于确定各亚组间的干预效果。

参考来源

  1. Johnsson J, Björnsson O, Andersson P, et al. Artificial neural networks improve early outcome prediction and risk classification in out-of-hospital cardiac arrest patients admitted to intensive care. Crit Care. 2020. PMID: 32731878. doi:10.1186/s13054-020-03103-1
  2. 全文:PMC7394679(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC7394679/

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。