少即是多:仅用年龄、心率、呼吸频率通过机器学习检测院内临床恶化
本研究利用五家医院556,848例成人住院患者的多中心数据集,开发仅基于年龄、当前及24小时趋势心率与呼吸频率的梯度提升机器学习模型eCART Lite,预测ICU转入、死亡或两者复合结局。验证队列中,eCART Lite预测ICU转入的AUC为0.79,显著优于MEWS(0.71)、NEWS(0.74)和eCARTv2(0.78)(p<0.01);预测复合结局的AUC为0.80,同样显著优于三者(p<0.01)。最强预测因子为呼吸频率和心率。该工具仅需三个输入,无需额外电子病历集成,适用于资源有限或需要低成本工具的住院场景。
要点
- eCART Lite仅用年龄、心率、呼吸频率(含24小时趋势)三个输入,即可实时连续预测ICU转入或死亡风险。
- 在556,848例成人住院患者中,eCART Lite预测ICU转入AUC为0.79,优于MEWS(0.71)、NEWS(0.74)和eCARTv2(0.78),p<0.01。
- 预测ICU转入或死亡复合结局AUC为0.80,优于MEWS(0.72)、NEWS(0.76)和eCARTv2(0.79),p<0.01。
- 呼吸频率和心率是模型中两个最强的预测因子。
- 该工具无需额外输入或复杂电子病历集成,适用于资源有限或需要低成本工具的住院场景。
适用人群与场景
- 来自五家医院的成人住院患者(adult admissions),共556,848例纳入分析。
- 适用场景为住院病房(ward)的临床恶化监测,可实时从患者监护仪获取数据;原文未明确提及急诊或院前场景。
诊断标准与关键阈值
- 原文未提及具体的诊断标准或评分界值;模型输出为ICU转入、死亡或复合结局的概率。
- 模型输入仅包括:年龄、当前及24小时趋势的心率、呼吸频率。
处置流程与药物剂量
- 原文未提及具体的处置流程或药物剂量;研究仅涉及预测模型的开发与验证。
红旗征与不能漏的情况
- 原文未提及具体的红旗征或需要立刻处理的情况;模型预测的结局为ICU转入、死亡或两者复合。
研究设计与关键结果
- 研究类型:多中心回顾性数据集上的机器学习模型开发与验证研究;样本量556,848例成人住院患者,来自五家医院。
- 干预/方法:使用仅含年龄、当前及24小时趋势心率与呼吸频率的梯度提升机器学习模型(eCART Lite),预测ICU转入、死亡或复合结局。
- 主要终点结果:eCART Lite预测ICU转入的AUC为0.79,显著优于MEWS(0.71)、NEWS(0.74)和eCARTv2(0.78)(p<0.01);预测复合结局的AUC为0.80,显著优于MEWS(0.72)、NEWS(0.76)和eCARTv2(0.79)(p<0.01)。
- 关键次要终点:原文未提及除AUC比较外的其他次要终点;不良事件原文未提及。
- 队列中19,509例(3.5%)发生ICU转入,5,764例(1.0%)在病房观察后24小时内死亡。
- 最强预测因子为呼吸频率和心率。
证据类型、等级与局限
- 证据类型:基于多中心数据集的机器学习模型开发与验证研究(原文未明确标注为RCT、队列或病例对照等具体设计类型)。
- 证据等级或推荐强度:原文未提及。
- 局限:原文未明确列出局限;从设计本身看,为回顾性数据建模研究,模型需前瞻性外部验证;原文未报告校准度、决策曲线或临床实施效果。
对床旁实践的改变
- 该工具仅需年龄、心率、呼吸频率三个输入,无需额外电子病历集成,可在资源有限或需要低成本工具的住院场景中实时连续监测临床恶化风险。
- eCART Lite在预测ICU转入和复合结局方面优于MEWS、NEWS和eCARTv2,提示在无法获取完整生命体征或实验室数据的场景下可考虑使用简化模型。
- 原文未提及该工具在急诊或ICU床旁的具体应用流程;研究仅涉及住院病房场景,不能直接推断至急诊分诊或ICU内使用。
- 模型预测概率的临床决策阈值、警报触发后的处置流程以及前瞻性验证效果原文均未提及,临床落地前需进一步验证。
指南或共识出处
- 原文未提及指南或共识出处;文献来源为Resuscitation期刊。
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
AIM: We sought to develop a machine learning analytic (eCART Lite) for predicting clinical deterioration using only age, heart rate, and respiratory data, which can be pulled in real time from patient monitors and updated continuously without need for additional inputs or cumbersome electronic health record integrations.
METHODS: We utilized a multicenter dataset of adult admissions from five hospitals. We trained a gradient boosted machine model using only current and 24-hour trended heart rate, respiratory rate, and patient age to predict the probability of intensive care unit (ICU) transfer, death, or the combined outcome of ICU transfer or death. The area under the receiver operating characteristic curve (AUC) was calculated in the validation cohort and compared to those for the Modified Early Warning Score (MEWS), National Early Warning Score (NEWS), and eCARTv2, a previously-described, 27-variable, cubic spline, logistic regression model without trends.
RESULTS: Of the 556,848 included admissions, 19,509 (3.5%) were transferred to an ICU and 5764 (1.0%) died within 24 hours of a ward observation. eCART Lite significantly outperformed the MEWS, NEWS, and eCART v2 for predicting ICU transfer (0.79 vs 0.71, 0.74, and 0.78, respectively; p < 0.01) and the combined outcome (0.80 vs 0.72, 0.76, and 0.79, respectively; p < 0.01). Two of the strongest predictors were respiratory rate and heart rate.
CONCLUSION: Using only three inputs, we developed a tool for predicting clinical deterioration that is similarly or more accurate than commonly-used algorithms, with potential for use in inpatient settings with limited resources or in scenarios where low-cost tools are needed.
参考来源
- Akel MA, Carey KA, Winslow CJ, et al. Less is more: Detecting clinical deterioration in the hospital with machine learning using only age, heart rate, and respiratory rate. Resuscitation. 2021. PMID: 34437996. doi:10.1016/j.resuscitation.2021.08.024
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。