建立预测模型
开发机器学习模型预测心脏骤停后出院时CPC 4或5（不良结局）。
纳入2010年1月至2022年2月单中心成人心脏骤停后无反应患者，排除有预先指示等；提取注册数据、EHR生物标志物和EEG定量特征，构建随机森林模型，并在不同时间点（入院、12、24、48、72小时）进行训练和内部验证。
关于丁香通
公司信息
个人用户
企业机构
无忧采购 轻松科研
- 移动端
预测心脏骤停后结局需要多少信息？
How much information is needed to predict outcomes after cardiac arrest?
实验完整度
中基于单中心回顾性队列（1,106例），结合注册、EHR和EEG数据开发机器学习模型，并进行内部验证。
主要模型
心脏骤停后无反应成人患者队列
重点核对
模型在24小时时间点结合注册、EHR和EEG数据，预测不良结局（CPC 4或5），敏感性70%（完美特异性）。 模型时间点包括入院、12、24、48、72小时，仅纳入仍住院且信息已知的患者。 数据来源包括注册数据（Utstein模板）、EHR（器官衰竭生物标志物）和EEG（定量EEG特征）。 模型采用随机森林，并基于方差倒数加权集成多种数据源。
摘要
摘要
引言：
心脏骤停后的预后判断具有挑战性，但可能通过机器学习（ML）得到改善。ML能够处理大量数据，但在实践中这些数据来源于异构的、可能难以整合的来源。我们比较了结合注册数据、电子健康记录（EHR）和脑电图（EEG）数据的ML性能，以测试是否仅部分来源就足够了。
方法：
我们进行了一项队列研究，纳入了2010年1月至2022年2月在一家医院治疗的连续成人患者，他们在心脏骤停后无反应。我们开发了ML模型，从注册数据、EHR和EEG数据的各种组合中预测不良结局（出院时脑功能分级（CPC）为4或5）。我们在入院时以及骤停后12、24、48和72小时开发了顺序模型，仅纳入仍住院且在该时间点已知信息的患者。我们的主要性能指标是在完美特异性（零假阳性）下预测不良结局的敏感性。
结果：
我们纳入了1,106名患者，其中773名（70%）有不良结局。表现最佳的模型是随机森林。在每个时间点，表现最佳的模型都包含注册数据和EEG数据；12小时后，最佳模型使用了注册数据、EHR和EEG数据的组合。在完美特异性下的峰值中位敏感性为70%（65–73%），发生在24小时。该模型的区分度极佳（中位AUC 0.949 [0.947–0.951]）。
结论：
需要多个数据源才能达到最佳敏感性。有必要开发大型、全面的多中心数据集，以改善骤停后的预后判断。
实验结论
提炼研究问题、关键发现与证据，快速把握文章的核心贡献。
- 研究问题
- 预测心脏骤停后不良结局（CPC 4或5）需要多少数据源（注册、EHR、EEG）？
- 核心机制
- 文中未明确说明
- 主要证据
- 基于1,106例单中心队列，机器学习模型结合注册、EHR和EEG数据，在24小时达到最佳性能，敏感性70%（完美特异性），AUC 0.949。
- 研究意义
- 指出需要大型、全面的多中心数据集和能够从复杂临床信息生成可信预测的分析方法，以改善心脏骤停后预后判断。
研究路径
按研究推进顺序梳理实验设计、验证步骤与关键观察。
评估数据源组合
比较不同数据源组合（注册、EHR、EEG单独或组合）的预测性能。
对每个时间点，使用不同数据源组合训练随机森林模型，并评估集成、加权等策略。
敏感性分析
评估模型在不同场景下的稳健性，包括允许少量假阳性以及按骤停地点分层。
计算允许1或2个假阳性时的敏感性，以及区分院内与院外骤停。
研究方法
按研究目的归类文中使用的方法，便于定位所需技术。
产品清单
| 实验环节 | 名称 | 品牌 | 货号 |
|---|---|---|---|
| 数据提取 | 注册系统 | -- | -- |
| 电子健康记录 | -- | -- | |
| 脑电图监测 | 脑电图系统 | -- | -- |
| 定量脑电图分析 | Persyst 14版 | Persyst | -- |
| 机器学习建模 | Scikit-learn | -- | -- |
关键环节
汇总复现实验时建议重点确认的条件及原文阅读提示。
| 环节 | 核对要点 |
|---|---|
| 患者选择 | 纳入标准：成人（≥18岁）、心脏骤停后无反应、单中心（University of Pittsburgh Medical Center）、时间范围（2010年1月至2022年2月）；排除标准：年龄<18岁、预先指示或放弃重症监护、入院前>24小时、能遵从指令、急诊死亡、无结局数据或缺失数据源。 阅读提示：Methods: Patients |
| 数据源 | 注册数据（Utstein模板）、EHR数据（生物标志物）、EEG数据（22个金杯电极，10-20系统，连续监测）。 阅读提示：Methods: Data sources and feature engineering |
| 模型时间点 | 模型在入院、12、24、48、72小时构建，仅纳入仍住院且信息已知的患者。 阅读提示：Methods: Model building |
| 主要性能指标 | 完美特异性（零假阳性）下的敏感性；允许1或2个假阳性作为次要指标。 阅读提示：Methods: Model evaluation |