文献速递心脑血管急症消化、代谢与肾脏急症重症综合管理与镇静镇痛

急诊胸痛患者主要不良心脏事件的实时人工智能预测

Real-time AI prediction for major adverse cardiac events in emergency department patients with chest pain.
PubMed 文献 · Scand J Trauma Resusc Emerg Med · 2020-09-11
一句话结论在三家医院85,254例急诊胸痛患者中,与医院信息系统整合的随机森林模型实时预测1个月内急性心肌梗死和全因死亡的AUC分别为0.915和0.999,新患者验证AUC为0.907和0.888。

本研究基于2009至2018年三家医院85,254例急诊胸痛患者,使用14个临床变量构建随机森林模型(含SMOTE预处理),预测1个月内急性心肌梗死和全因死亡,并与逻辑回归、SVC、KNN比较。随机森林模型AUC分别为0.915和0.999,优于其他模型;与医院信息系统整合后实时输出预测(<1秒)。2019年1月1日至10月31日新患者(n=3741)验证AUC分别为0.907和0.888。作者认为该实时AI预测模型有助急诊医师预测MACE,但尚需研究评估其对临床实践的影响。

要点

  • 随机森林模型预测急诊胸痛患者1个月内急性心肌梗死AUC为0.915,1个月内全因死亡AUC为0.999。
  • 新患者(n=3741)验证:1个月内急性心肌梗死AUC为0.907,1个月内全因死亡AUC为0.888。
  • 随机森林模型在AUC、准确率、精确率、敏感度、特异度、F1上均优于逻辑回归、SVC和KNN。
  • 模型与医院信息系统整合,急诊医师点击AI按钮后生成预测结果时间<1秒;2019年6月1日至2020年5月31日使用率12.4%,5点Likert满意度4.98±0.15。
  • 作者认为该模型是辅助急诊医师预测胸痛患者MACE的有前景的方法,仍需进一步研究评估其对临床实践的影响。

适用人群与场景

  • 三家医院(奇美医疗中心、奇美柳营医院、奇美佳里医院)急诊就诊、年龄≥20岁的胸痛患者,胸痛定义为本次急诊就诊根据ICD-9-CM 786.5或ICD-10 R079的初步诊断印象。
  • 排除无后续随访记录的患者。
  • 建模人群为2009至2018年85,254例急诊胸痛患者;验证人群为2019年1月1日至2019年10月31日新识别的3,741例急诊胸痛患者。
  • 作者指出,就诊时即明确诊断急性心肌梗死(如心电图明显ST段抬高)的患者不是该AI预测模型的目标人群,模型主要用于初始表现不明确患者的评估。

诊断标准与关键阈值

  • 结局定义:1个月内急性心肌梗死(ICD-9-CM 410–414或ICD-10 I20-I25);急诊就诊后1个月内全因死亡。
  • 模型输入14个特征变量:年龄、性别、吸烟、体重指数、高血压史、高脂血症史、糖尿病史、慢性肾脏病史、冠心病史、脑血管疾病史、外周动脉闭塞性疾病史,以及最近一次实验室数据包括高敏肌钙蛋白I、血红蛋白、血清肌酐。
  • 未纳入心电图,原文原因为当前阶段技术限制(难以解读非结构化数据)。

处置流程与药物剂量

  • 急诊医师在医院信息系统中点击AI按钮时,最近一次高敏肌钙蛋白I自动采集进入AI预测模型。
  • 数据处理:无法估计的特征变量(如缺失性别)或大量特征变量缺失时删除数据;可估计的缺失特征变量(如缺失体重指数)添加平均值。
  • 使用随机森林模型联合SMOTE预处理算法预测1个月内急性心肌梗死和1个月内全因死亡。
  • 模型与医院信息系统整合,急诊医师点击AI按钮后生成预测结果时间<1秒。

研究设计与关键结果

  • 多医院研究:2009至2018年三家医院85,254例急诊胸痛患者,平均年龄57.7±17.9岁,男性55.3%;1个月内急性心肌梗死20.3%,1个月内全因死亡0.3%。
  • 按70%/30%随机分为机器学习模型训练集和测试集。
  • 随机森林模型联合SMOTE预处理预测1个月内急性心肌梗死AUC为0.915,1个月内全因死亡AUC为0.999。
  • 随机森林模型在AUC、准确率、精确率、敏感度、特异度、F1上均优于逻辑回归、SVC和KNN;预测1个月内急性心肌梗死时SVC的AUC最低为0.631,预测1个月内全因死亡时逻辑回归的AUC最低为0.716。
  • 2019年1月1日至2019年10月31日新患者(n=3741)验证:1个月内急性心肌梗死AUC为0.907,1个月内全因死亡AUC为0.888。
  • 2019年6月1日至2020年5月31日AI预测模型使用率为12.4%,5点Likert满意度为4.98±0.15。

证据类型、等级与局限

  • 研究类型:多医院大数据驱动机器学习模型开发与验证研究(原文未明确写单中心或多中心,但明确纳入三家医院)。
  • 局限:未纳入心电图分析,因难以解读非结构化数据;机器学习存在可解释性和变量推断问题;因研究回顾性性质部分数据不可用,使用专家咨询决定缺失值处理;未评估AI预测模型对临床实践的影响;使用ICD-9-CM胸痛编码招募患者可能排除以胸痛就诊但已诊断为急性心肌梗死等患者;AI预测模型可能无法推广到其他医院,建议在其他医院重新训练和测试。

对床旁实践的改变

  • 作者认为,该实时AI预测模型有助急诊医师对胸痛患者进行决策和处置,尤其适用于初始表现不明确患者的评估。
  • 作者指出,模型对就诊时即明确诊断急性心肌梗死(如心电图明显ST段抬高)的患者不适用。
  • 作者建议其他机构可采用相同算法,但需重新训练和测试以克服泛化性问题。
  • 作者认为仍需进一步研究评估AI预测模型对临床实践和结局的影响,以及纳入心电图分析的价值。

提炼说明

  • 原文未涉及「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:Scand J Trauma Resusc Emerg Med. 2020 Sep 11;28:93. doi: 10.1186/s13049-020-00786-x

背景

胸痛是急诊科(ED)患者最常见的主诉之一,占所有急诊就诊的5%至20% [1]。胸痛的病因从肌痛到可能危及生命的疾病,如急性冠脉综合征(ACS)、主动脉夹层或肺栓塞 [2]。因此,急诊科医生在需要决定诊断和处置时常常面临挑战。同时,急诊科医生可能会安排一系列心脏评估或影像学检查以排除鉴别诊断列表,甚至宽松地收治患者住院。然而,急诊胸痛患者中最终诊断为ACS的< 10%,宽松使用系列检查和住院治疗导致高额医疗费用 [3]。因此,开发一个有用的临床预测规则以帮助急诊科医生进行决策成为一个重要问题。

HEART(病史、心电图、年龄、危险因素、肌钙蛋白)评分于2008年创建,以促进急诊胸痛患者准确的诊断和治疗选择 [4]。根据HEART评分的原始风险分层和建议处置如下:(1)0–3分(主要不良心脏事件[MACE]发生率2.5%):立即出院;4–6分(MACE发生率20.3%):意味着住院进行临床观察;(3)≥7分:(MACE发生率72.7%):早期侵入性策略 [4]。HEART评分的优点是准确性高,并已在许多研究中得到充分验证 [5–7]。HEART评分的缺点是计算预测需要时间;即使在线有计算器可用 [8],这限制了其在过度拥挤的急诊科中的使用。还有其他评分(例如EDACS、T-MACS和Vancouver),计算不需要大量时间 [9–11]。它们也强制获取可能原本不会获取的重要数据。近年来,人工智能(AI),包括机器学习(ML)技术,越来越多地用于急诊科开发预测模型和风险分层 [12, 13]。许多研究表明ML优于传统指标 [12, 13]。此外,ML的优势在于处理更多已通过电子病历(EMRs)可获得的变量,并且如果在医院信息系统(HIS)中实施,可向医生提供风险分层方面的实时反馈 [12, 13]。然而,关于ML与HIS整合用于预测急诊胸痛患者MACE的效用问题仍不清楚。我们通过在PubMed和Google Scholar中搜索“急性心肌梗死”、“胸痛”、“急诊科”、“死亡”、“机器学习”、“主要不良心脏事件”和“死亡率”,未发现关于此问题的任何研究。因此,我们进行了本研究旨在阐明这一问题。

方法

研究设计、设置和参与者

我们为这项研究及人工智能实施建立了一个多学科团队,包括急诊医师、数据科学家、信息工程师、执业护士和质量管理人员。纳入2009年至2018年间就诊于三家医院(奇美医疗中心、奇美柳营医院和奇美佳里医院)急诊科的成年胸痛患者(年龄≥20岁)进入本研究(图1)。胸痛的标准定义为根据国际疾病分类第九版临床修订版(ICD-9-CM)786.5或ICD-10 R079在索引急诊就诊时的初步诊断印象。无后续随访记录的患者被排除。

图1 将急诊胸痛患者人工智能预测模型与医院信息系统(HIS)整合的流程图。AI,人工智能;ED,急诊科;HIS,医院信息系统;SMOTE,合成少数类过采样技术 查看原图 ↗

特征变量的定义

纳入分析的14个特征变量为既往研究中建议的MACE预测因子,具体如下[5, 6, 14]:年龄、性别、吸烟、体重指数(BMI),以及高血压(ICD-9-CM:401–405或ICD-10:I10-I16)、高脂血症(ICD-9-CM:272.0–272.5, 277.7或ICD-10:E78.0-E78.5, E88.81)、糖尿病(ICD-9-CM:250或ICD-10:E08-E13)、慢性肾脏病(ICD-9-CM:585或ICD-10:N18)、冠状动脉疾病(ICD-9-CM:410–414或ICD-10:I20-I25)、脑血管疾病(ICD-9-CM:430–438或ICD-10:I60-I69, G45)、外周动脉闭塞性疾病(ICD-9-CM:443.9或ICD-10:I73.9)的既往病史,以及包括高敏肌钙蛋白-I、血红蛋白和血清肌酐在内的最近实验室数据。当急诊医师在HIS中需要帮助时按下AI按钮,最近的 hig h敏肌钙蛋白-I即被自动采集进入AI预测模型。既往病史定义为索引就诊之前的诊断。由于当前阶段的技术限制,心电图未被纳入本研究。

结局指标

我们定义了以下两项结局指标:(1)1个月内急性心肌梗死(AMI)(ICD-9-CM:410–414或ICD-10:I20-I25);(2)索引急诊就诊后1个月内全因死亡。

伦理声明

本研究经奇美医疗中心机构审查委员会批准。由于本研究为回顾性研究且包含去标识化信息,不影响患者的权利和福利,故豁免患者知情同意。

数据处理、比较及在HIS中的应用

首先,从医院信息系统(HIS)的电子病历(EMR)中提取数据,并将其转换和验证到数据集市中以供进一步分析。由急诊医师、数据科学家、信息工程师、执业护士和质量管理人员参加的小组会议对缺失和模糊数据进行了仔细定义:(1)如果特征变量无法估计(例如缺失“性别”)或许多特征变量缺失,则删除该数据;(2)如果缺失的特征变量可以估计(例如缺失“BMI”),则添加平均值。其次,我们使用带有合成少数类过采样技术(SMOTE)预处理算法的随机森林模型来预测<1个月内的急性心肌梗死(AMI)和<1个月内的全因死亡率。第三,我们比较了随机森林、逻辑回归、支持向量聚类(SVC)和K近邻(KNN)模型的准确率、精确率、敏感度、特异度、F1和曲线下面积(AUC)。我们将人群分为训练队列和测试队列,分别占患者的70%和30%。第四,我们在HIS中实施了预测模型,使用带有SMOTE的随机森林。经过一个月的测试和验证后,我们在HIS中启动了AI预测模型,以实时辅助急诊科医师进行决策。使用相同的数据收集工具,我们还在AI预测模型实施后前瞻性识别了2019年1月1日至2019年10月31日期间新发胸痛的急诊患者,以验证其准确性。

结果

本研究共纳入2009年至2018年间三家医院的85,254例急诊胸痛患者。平均±标准差(SD)年龄为57.7±17.9岁,男性比例为55.3%(表1)。三个年龄亚组的比例分别为20–34岁(12.8%)、35–49岁(19.5%)、50–64岁(30.0%)和≥65岁(37.7%)。吸烟者比例为21.8%,BMI的平均±SD为24.8±3.7。急诊患者的病史包括高血压(47.6%)、高脂血症(21.1%)、糖尿病(26.2%)、慢性肾脏病(8.2%)、冠状动脉疾病(38.3%)、脑血管疾病(15.1%)和外周动脉闭塞性疾病(3.6%)。高敏肌钙蛋白-I、血红蛋白和血清肌酐的平均±SD分别为113.9±2603.2 pg/mL、13.1±2.1 mg/dL和1.4±2.4 mg/dL。<1个月内的AMI为20.3%,<1个月内的全因死亡率为0.3%。

采用SMOTE预处理算法的随机森林模型显示,预测1个月内急性心肌梗死(AMI)和1个月内全因死亡的AUC分别为0.915和0.999(表2)。使用基于树的估计器计算特征重要性值,有助于剔除无关特征[15]。在我们的随机森林模型中,基于特征重要性值(补充图1和补充图2)和专家判断,我们纳入了全部14个特征变量。对随机森林、逻辑回归、支持向量分类器(SVC)和K近邻(KNN)的预测准确性进行比较后发现,随机森林模型在所有模型中具有最佳的AUC、准确率、精确率、灵敏度、特异度和F1值(表3)。在预测1个月内AMI方面,SVC的AUC最差,为0.631。在预测1个月内全因死亡方面,逻辑回归的AUC最差,为0.716。我们将AI预测模型与医院信息系统(HIS)整合,以协助急诊科医师进行实时决策。当急诊科医师按下AI按钮时,生成预测结果所需时间<1秒(补充图3)。

我们识别了2019年1月1日至2019年10月31日期间3741例新发急诊胸痛患者,以验证AI预测模型(表4)。1个月内AMI和1个月内全因死亡的AUC分别为0.907和0.888。2019年6月1日至2020年5月31日期间,AI预测模型的使用率为12.4%,采用5点Likert量表的满意度为4.98±0.15。

表1 急诊胸痛患者的人口学特征、病史及一个月内不良结局 查看原表 ↗
表2 使用SMOTE预处理算法的随机森林模型对急诊胸痛患者不良结局的评估报告 查看原表 ↗
表3 随机森林、逻辑回归、SVC和KNN模型对急诊胸痛患者不良结局预测准确性的比较 查看原表 ↗
表4 使用新发急诊胸痛患者(n=3741)对AI预测模型的验证 查看原表 ↗

讨论

我们采用大数据驱动方法、机器学习(ML)并与HIS整合,构建了针对急诊胸痛患者主要不良心血管事件(MACE)的实时预测。在前瞻性验证中,AI预测模型对1个月内AMI的AUC为0.907,对1个月内全因死亡的AUC为0.888。与其他机器学习算法相比,随机森林模型的准确性优于逻辑回归、SVC和KNN。使用新患者对AI预测模型进行验证也显示出优异的准确性。

急诊科医生对胸痛患者进行风险分层和处置始终是一项艰巨的挑战,尤其是在过度拥挤的情况下[6, 7, 16]。漏诊急性心肌梗死(AMI)是急诊科医生的噩梦;因此,制定临床预测规则成为辅助决策和处置的有用方法[16]。心肌梗死溶栓治疗(TIMI)评分最初开发用于预测不稳定型心绞痛或非ST段抬高型心肌梗死患者就诊后14天内的不良心脏结局(死亡、[再]梗死或需要血运重建的复发性严重缺血)[17]。TIMI评分也被用于预测急诊胸痛患者的主要不良心血管事件(MACE)[18]。另一个著名工具GRACE评分也是在已确诊AMI的患者中开发的[19]。与TIMI和GRACE评分不同,HEART评分更专门针对急诊胸痛患者的快速风险分层和处置而开发[4]。HEART评分具有易于记忆和使用、预测因子易于获取、关注短期结局、对急诊管理具有特异性以及可识别三个风险组等优点[20]。与TIMI和GRACE评分相比,HEART评分在区分急诊胸痛患者MACE方面表现更好[21]。

本研究中实时人工智能(AI)预测模型对急诊胸痛患者的风险分层具有良好的准确性。此外,其从电子病历(EMR)中自动快速捕获预测因子以及改进的机器学习(ML)算法等特征,为急诊科医生改善该人群的诊疗提供了新的希望。本研究采用的随机森林模型是急诊科预测结局和筛选预测因子的常用算法[13, 22]。一项研究报告称,ML在预测急诊脓毒症患者院内死亡率方面优于CURB-65、MEDS和mREMS以及传统分析技术[22]。另一项研究报告称,基于ML的变量选择是发现急诊胸痛患者MACE相关且显著预测因子的有前景的方法[13]。除随机森林模型外,本研究还使用了SMOTE算法——一种过采样方法——来调整不平衡数据[23–25]。在SMOTE算法中,通过创建合成样本来对少数群体进行过采样[23–25]。SMOTE被认为优于欠采样方法,后者存在忽略潜在有用数据的缺点[23–25]。

在医疗保健中实施AI预测模型引发了许多新问题,包括医疗事故责任、保险覆盖和EMR平台。法律问题包括技术制造商和医疗专业人员的责任,特别是当他们无法解释AI预测模型生成的建议时[26]。AI相关医疗事故需要新的法律原则[26]。对于医疗保险,清晰有效的数据治理框架至关重要[27]。在EMR和AI的设计和使用中,需要制定法律标准,并鼓励保险公司采用以人为本的方法[27]。监管者、政策制定者和保险公司需要共同努力,确保大数据驱动的AI透明且准确[27]。

本研究的主要优势在于,我们开发了首个与医院信息系统(HIS)整合的实时人工智能(AI)预测模型,用于预测急诊科(ED)胸痛患者的重大不良心血管事件(MACE)。另一项优势在于,我们纳入了新患者来验证该AI预测模型。局限性如下。第一,由于非结构化数据难以解读,我们未将心电图纳入分析。然而,我们仅使用结构化数据的AI预测模型表现良好。未来可能需要纳入心电图进行进一步研究以评估其附加价值。第二,机器学习(ML)存在可解释性和变量推断方面的问题[28]。然而,我们相信本研究中使用的随机森林通过特征重要性图和单棵决策树提供了良好的可解释性。第三,由于本研究的回顾性性质,部分数据不可获得。我们采用专家咨询来决定如何处理缺失值。第四,我们未评估AI预测模型对临床实践的影响。尽管这超出了本研究的范围,但可能有必要评估其对医生决策的影响,包括接受与拒绝、怀疑、担忧、改变临床实践以及患者结局。第五,我们使用胸痛的ICD-9-CM编码来招募患者进入本研究,这可能排除了以胸痛就诊但例如患有急性心肌梗死(AMI)的患者。然而,即刻诊断为AMI的患者(如心电图显著ST段抬高)并非AI预测模型的目标人群。主要难点在于评估初始表现不明确的患者。因此,AI预测模型可能在协助急诊科医生在此类情况下做出决策方面发挥重要作用。第六,该AI预测模型可能无法推广至其他医院。然而,本研究旨在作为使用AI实现此目的的可行性验证。我们也建议其他机构可以使用相同的算法。建议在其他医院进行重新训练和测试以克服这一问题。

结论

我们将首个实时AI预测模型与HIS整合,用于预测急诊科胸痛患者的短期MACE。该AI预测模型具有出色的准确性和快速响应能力,可协助急诊科医生进行决策和处置。在新患者中的验证也显示了出色的性能。未来可能需要进一步研究AI预测模型对临床实践和结局的影响,以及将心电图纳入分析。

补充信息

附加文件1:补充图1。基于随机森林模型预测急诊科胸痛患者1个月内AMI的特征重要性。AMI,急性心肌梗死;ED,急诊科。

附加文件2:补充图2。基于随机森林模型预测急诊科胸痛患者1个月内全因死亡的特征重要性。AMI,急性心肌梗死;ED,急诊科。

附加文件3:补充图3。HIS中用于预测急诊科胸痛患者MACE的实时AI预测模型截图。AI,人工智能;HIS,医院信息系统;MACE,重大不良心血管事件;ED,急诊科。

参考来源

  1. Zhang PI, Hsu CC, Kao Y, et al. Real-time AI prediction for major adverse cardiac events in emergency department patients with chest pain. Scand J Trauma Resusc Emerg Med. 2020. PMID: 32917261. doi:10.1186/s13049-020-00786-x
  2. 全文:PMC7488862(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC7488862/

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。