机器学习医院前实时心脏骤停结果预测 (PReCAP) 使用基于泛亚复苏结果研究的时间适应性队列模型

科学领域:

• 紧急医疗 紧急医疗
• 心脏病学 心脏病学
• 在医疗保健中的数据科学.

背景情况:

• 在救护车运输期间,复苏质量可能会下降.
• 如果自发循环回归 (ROSC) 可能发生,继续现场复苏可能会改善结果.
• 需要预测模型来指导医院外心脏骤停 (OHCA) 的现场与运输决策.

研究的目的:

• 开发和验证医院前实时心脏骤停预测结果 (PReCAP) 模型.
• 使用医院前变量预测现场的ROSC.
• 评估次要结果:生存到急诊室 (ED) 放出,30天生存,以及大脑性能类别 (CPC).

主要方法:

• 使用了泛亚复苏结果研究 (PAROS) 数据库 (2009-2018).
• 从157,654名OHCA患者中选择了相关变量.
• 使用光梯度增强机 (LightGBM) 开发了PReCAP模型.

主要成果:

• 在预测现场ROSC时,PReCAP获得了0.85-0.87的AUROC得分.
• 预测ED出院后生存时间的AUROC评分为0.91-0.93.
• 30天生存期的AUROC得分在0.80-0.86之间,CPC得分在0.84-0.91.1之间.

结论:

• 该PReCAP模型准确预测OHCA结果,包括现场ROSC.
• 该模型的时间适应性特征的重要性突出了动态预测因素.
• 多国数据库表明,在不同的人口和环境中具有广泛的适用性.