Прорывная модель машинного обучения с высокой точностью предсказывает остановку сердца у пациентов в ОИТ

В groundbreaking исследовании, опубликованном в Npj Digital Medicine, исследователи представили новую модель машинного обучения (ML), которая демонстрирует исключительную точность в предсказании остановки сердца у пациентов в отделении интенсивной терапии (ОИТ) с использованием данных электрокардиограммы (ЭКГ).

Раскрытие необходимости улучшения прогностических моделей

Несмотря на достижения в медицине критической помощи, частота неожиданных и внезапных остановок сердца остается проблемой для пациентов, госпитализированных в ОИТ. Разнообразные причины внутрибольничных остановок сердца требуют разработки точных моделей прогнозирования для обнаружения в реальном времени, что позволяет проводить своевременные и спасающие жизнь вмешательства, такие как сердечно-легочная реанимация (СЛР) и ранняя дефибрилляция.

Хотя более ранние модели опирались на клинические признаки из электронных медицинских карт (EMR), ограничения в сборе различных переменных EMR привели к переходу к алгоритмам машинного обучения на основе данных ЭКГ. Прогностические модели на основе электрокардиограммы обеспечивают постоянный мониторинг в реальном времени, предлагая потенциальный прорыв в прогнозировании внутрибольничных остановок сердца.

Исследовательская команда тщательно создала структурированный набор данных ЭКГ из 5679 госпитализаций в ОИТ, охватывающих 4821 пациента. Используя сигналы электрокардиограммы, они рассчитали комплексный набор из 74 мер вариабельности сердечного ритма (ВСР), включая меры во временной, частотной и нелинейной областях. Алгоритм BorutaShap отобрал 33 из этих мер в качестве входных признаков для прогностической модели.

Используя алгоритм легкого градиентного бустинга (LGBM), исследователи оптимизировали гиперпараметры модели с помощью байесовской оптимизации. Основным исходом было возникновение остановки сердца в течение 0,5–24 часов, а вторичные исходы рассматривались на различных временных интервалах.

Впечатляющие результаты и сравнительный анализ

Модель ML достигла выдающейся площади под приемочной рабочей характеристикой (AUROC) 0,881 и площади под кривой точность-полнота (AUPRC) 0,104 для основного исхода. Дискриминационная способность модели оставалась надежной для вторичных исходов, демонстрируя ее надежность в прогнозировании остановки сердца у пациентов в ОИТ.

Сравнение модели ML с моделью на основе клинических параметров, которая использовала 43 признака, полученных из жизненных показателей, выявило значительно более высокий AUROC (0,881 против 0,735, p < 0,001) для модели исследования, использующей меры ВСР. Это подчеркивает превосходство модели ML на основе ЭКГ в прогнозировании внезапной остановки сердца.

Раскрытие ключевых мер ВСР и будущих последствий

Анализ важности признаков выявил шесть лучших мер, включая 20-й процентиль интервалов RR (Prc20NN), треугольную интерполяцию гистограммы интервалов RR (TINN) и межквартильный размах интервалов RR (IQRNN). Эти меры демонстрировали динамические изменения примерно за шесть часов до внезапной остановки сердца, предлагая ценные идеи для оценки состояния сердца пациента в реальном времени.

Результаты исследования предполагают, что более высокие значения IALS (сегменты ускорения/замедления) могут быть связаны с ухудшением состояния сердца, подчеркивая потенциал модели ML в выявлении пациентов, находящихся в риске внезапной остановки сердца.

Одним из значительных преимуществ этого исследования является высокая доступность модели и ее переносимость в различные медицинские учреждения. Непрерывный мониторинг ЭКГ, являющийся стандартной практикой в условиях ОИТ, делает применение этой прогностической модели простым в клинической практике.

Хотя исследование предоставляет важные данные в реальном времени, исследователи признают необходимость дальнейших исследований для установления причинно-следственной связи между мерами ВСР и остановкой сердца.