文献速递复苏、休克与脓毒症心脑血管急症

基于机器学习的无人机递送除颤器调度规则用于院外心脏骤停

Machine learning-based dispatch of drone-delivered defibrillators for out-of-hospital cardiac arrest.
PubMed 文献 · Resuscitation · 2021-02-22
一句话结论基于机器学习的无人机调度规则可将疑似OHCA的中位反应时间从5.8 min降至3.9 min,且不劣于全部派遣,同时减少最多30%的无人机飞行次数。

结果显示,所有基于机器学习的调度规则均将中位反应时间显著降至3.9 min、平均反应时间降至4.1-4.2 min(均P<0.001),且不劣于全部派遣策略(均P<0.001),同时减少最多30%的无人机飞行次数。调度规则允许更多无人机飞行时灵敏度更高但特异度和准确度更低。该研究提示机器学习调度规则可在不牺牲反应时间获益的前提下减少不必要的无人机派遣。

要点

  • 在3573例疑似OHCA中,机器学习调度规则将中位反应时间从历史5.8 min降至3.9 min,平均反应时间降至4.1-4.2 min(均P<0.001)。
  • 所有机器学习调度规则不劣于全部派遣无人机(均P<0.001),同时减少最多30%的无人机飞行次数。
  • 调度规则允许更多无人机飞行时灵敏度更高,但特异度和准确度更低。
  • 研究基于预测救护车反应时间(线性回归与神经网络模型)与计算的无人机反应时间之差制定调度规则。
  • 无人机反应时间依据近期试点研究和文献中的无人机规格计算,非实测数据。

适用人群与场景

  • 场景为院前OHCA的无人机递送除颤器调度决策;原文未提及急诊科、ICU院内场景或具体纳入/排除标准。

诊断标准与关键阈值

  • 调度规则基于每位OHCA预测的救护车反应时间与计算的无人机反应时间之差制定。
  • 救护车反应时间用线性回归和神经网络模型预测;无人机反应时间用近期试点研究及文献中的无人机规格计算。
  • 原文未提及具体的调度阈值界值、评分界值或启动/停止阈值。

处置流程与药物剂量

  • 第一步:识别疑似OHCA并获取位置信息。
  • 第二步:用线性回归或神经网络模型预测救护车反应时间。
  • 第三步:依据无人机规格计算无人机反应时间。
  • 第四步:按预测救护车反应时间与计算无人机反应时间之差,用机器学习调度规则决定是否派遣无人机。
  • 原文未提及具体药物剂量、给药途径或目标值。

红旗征与不能漏的情况

  • 原文未提及

研究设计与关键结果

  • 研究类型为回顾性建模研究(基于2015-2019年疑似OHCA数据开发调度规则),样本量3573例,单中心/单地区(Peel Region, Ontario, Canada),原文未提及多中心数。
  • 人群为疑似OHCA;干预为基于机器学习的无人机调度规则;对照为从不派遣和全部派遣两种基线策略。
  • 主要终点为反应时间性能与调度决策:所有机器学习调度规则将中位反应时间降至3.9 min、平均反应时间降至4.1-4.2 min(均P<0.001),不劣于全部派遣(均P<0.001),无人机飞行次数减少最多30%。
  • 关键次要终点:调度规则允许更多无人机飞行时灵敏度更高,但特异度和准确度更低。

证据类型、等级与局限

  • 证据类型为基于回顾性数据的建模研究(非RCT),原文未给出证据等级或推荐强度。
  • 局限:单地区(Peel Region)数据;无人机反应时间基于文献和试点研究的规格计算而非实测;救护车反应时间为模型预测;原文未提及前瞻性验证。
  • 原文未提供样本量以外的置信区间、NNT等数值。

对床旁实践的改变

  • 支持在院前OHCA调度中采用基于机器学习的无人机调度规则,而非全部派遣,以减少最多30%的飞行次数且不牺牲反应时间获益。
  • 适用人群为疑似OHCA;原文未提及不适用人群。
  • 常见陷阱:无人机反应时间为基于文献和试点研究规格的计算值,非实测;规则允许更多飞行时灵敏度更高但特异度和准确度更低,需权衡。

指南或共识出处

  • 原文未提及具体指南或共识名称;研究发表于Resuscitation。

以上提炼依据论文摘要(全文未开放获取,或许可不允许翻译转载);全文请点「阅读原文」。

英文原文(摘要)· 点击展开

BACKGROUND: Drone-delivered defibrillators have the potential to significantly reduce response time for out-of-hospital cardiac arrest (OHCA). However, optimal policies for the dispatch of such drones are not yet known. We sought to develop dispatch rules for a network of defibrillator-carrying drones.

METHODS: We identified all suspected OHCAs in Peel Region, Ontario, Canada from Jan. 2015 to Dec. 2019. We developed drone dispatch rules based on the difference between a predicted ambulance response time to a calculated drone response time for each OHCA. Ambulance response times were predicted using linear regression and neural network models, while drone response times were calculated using drone specifications from recent pilot studies and the literature. We evaluated the dispatch rules based on response time performance and dispatch decisions, comparing them to two baseline policies of never dispatching and always dispatching drones.

RESULTS: A total of 3573 suspected OHCAs were included in the study with median and mean historical ambulance response times of 5.8 and 6.2 min. All machine learning-based dispatch rules significantly reduced the median response time to 3.9 min and mean response time to 4.1-4.2 min (all P < 0.001) and were non-inferior to universally dispatching drones (all P < 0.001) while reducing the number of drone flights by up to 30%. Dispatch rules with more drone flights achieved higher sensitivity but lower specificity and accuracy.

CONCLUSION: Machine learning-based dispatch rules for drone-delivered defibrillators can achieve similar response time reductions as universal drone dispatch while substantially reducing the number of trips.

来源:Resuscitation,查看原文。版权归原作者所有。

参考来源

  1. Chu J, Leung KHB, Snobelen P, et al. Machine learning-based dispatch of drone-delivered defibrillators for out-of-hospital cardiac arrest. Resuscitation. 2021. PMID: 33631293. doi:10.1016/j.resuscitation.2021.02.028

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。