使用基于动物模型的机器学习预测有效除所需的更高的能量
Ádám Pál-Jakab1, Boldizsár Kiss1, Bettina Nagy1
1Department of Cardiology, Semmelweis University Heart and Vascular Center, 1122 Budapest, Hungary.
Journal of clinical medicine
|June 13, 2025
概括
动脉血液气体 (ABG) 参数,如血红素和水平,可以预测心脏骤停时的除能量需求. 机器学习模型准确预测更高的能源需求,帮助个性化治疗策略.
科学领域:
- 心脏病学 心脏病学
- 生物医学工程 生物医学工程
- 数据科学数据科学数据科学
背景情况:
- 早期除对于心脏骤停的生存至关重要,但最佳能量水平仍在争论中.
- 动脉血液气体 (ABG) 参数通常在临床环境中可用.
- 这项研究探讨了ABG对除能量需求的预测能力.
研究的目的:
- 调查ABG参数是否可以预测除能量需求.
- 识别与除门 (DFT) 相关的ABG标记物.
- 开发一种机器学习模型,用于个性化的除能量选择.
主要方法:
- 在动物模型中诱导心室动以确定DFT.
- 在除前测量的ABG参数 (PaCO2,PaO2,pH,Hct,Na+,K+,HCO3-).
- 经典分析和机器学习模型用于将ABG与DFT相关联.
主要成果:
- 在高 (>130 J) 和低 (<40 J) DFT类别之间,血红素 (Hct) 和 (Na+) 水平显著不同.
- DFT与PaO2负相关,与Hct和Na+正相关.
- 额外的树木分类器模型实现了83%的准确性,预测了更高的能源需求,其中Hct,PaCO2和PaO2是关键预测因素.
结论:
- 用现代数据技术分析的ABG参数可以指导个性化的除能量选择.
- 这种方法特别适用于受控的临床环境,如ICU和阴道实验室.
- 预测建模提高了心脏骤停管理中的第一冲击成功率.
