突破性机器学习模型高精度预测ICU患者心脏骤停

在《npj数字医学》（Npj Digital Medicine）上发表的一项开创性研究中，研究人员公布了一种新的机器学习（ML）模型，该模型在使用心电图（ECG）数据预测重症监护室（ICU）患者心脏骤停方面表现出卓越的准确性。

揭示对改进预测模型的需求

尽管重症医学取得了进步，但ICU入院患者中意外和突发心脏骤停的发生率仍然是一个挑战。院内心脏骤停的多样化原因 necessitate 开发准确的实时检测预测模型，以便进行及时且挽救生命的干预，如心肺复苏（CPR）和早期除颤。

虽然早期的模型依赖于电子病历（EMR）中的临床特征，但收集各种EMR变量的局限性促使转向基于ECG数据的ML算法。基于心电图的预测模型确保持续和实时监控，为院内心脏骤停预测提供了潜在的突破。

研究团队仔细构建了一个包含4,821名患者的5,679次ICU住院的结构化ECG数据集。使用心电图信号，他们计算了一组全面的74项心率变异性（HRV）指标，包括时域、频域和非线性指标。BorutaShap算法从中选择了33项指标作为预测模型的输入特征。

研究人员采用轻量级梯度提升机（LGBM）算法，并使用贝叶斯优化优化模型超参数。主要结果是0.5–24小时内发生心脏骤停，次要结果在 various 时间间隔内考虑。

令人印象深刻的结果和比较分析

该ML模型在主要结果上取得了0.881的受试者工作特征曲线下面积（AUROC）和0.104的精确度-召回率曲线下面积（AUPRC）。该模型在次要结果上的判别性能保持稳健，展示了其在预测ICU患者心脏骤停方面的可靠性。

将ML模型与基于临床参数的模型（利用从生命体征衍生的43个特征）进行比较，发现使用HRV指标的研究模型具有显著更高的AUROC（0.881 vs. 0.735，p < 0.001）。这突显了基于ECG的ML模型在预测突发心脏骤停方面的优越性。

揭示关键HRV指标和未来影响

特征重要性分析确定了前六项指标，包括RR间期的第20百分位数（Prc20NN）、RR间期直方图的三角插值（TINN）和RR间期的四分位距（IQRNN）。这些指标在突发心脏骤停前约六小时表现出动态变化，为实时评估患者的心脏状况提供了有价值的见解。

研究结果表明，较高的IALS（加速/减速段）可能与受损的心脏状况相关，强调了该ML模型在识别突发心脏骤停风险患者方面的潜力。

这项研究的一个重大优势是模型的高可访问性和向不同医疗环境的可转移性。持续ECG监测是ICU环境中的标准做法，使得该预测模型在临床实践中的应用变得简单直接。

虽然该研究提供了关键的实时见解，但研究人员承认需要进一步调查以建立HRV指标与心脏骤停之间的因果关系。