使用心率变异性和机器学习预测儿童心脏骤停后的神经学结局

目的：心率变异性（HRV）是一种非侵入性的自主神经功能测量指标，可能在儿童心脏骤停后具有预后价值。我们使用机器学习模型来确定自主循环恢复后24小时内的HRV特征是否可以预测儿童心脏骤停后的结局，以及添加临床心脏骤停特征是否能提高模型性能。方法：对2020年至2023年在费城儿童医院PICU接受心脏骤停后护理的儿童进行回顾性研究。从ECG记录中提取36个HRV特征，训练极端梯度提升（XGB）模型来预测不良神经学结局，定义为儿童脑功能分类4-6且较基线增加>1。模型通过整个24小时期间的交叉验证以及在连续的6小时时间段内进行评估。额外的模型包括临床心脏骤停特征。性能通过受试者工作特征曲线下面积（AUROC）评估。结果：在符合纳入标准的75例患者中（中位年龄6.8[IQR 10.4]岁），51%有不良结局。考虑HRV特征和年龄的模型达到了0.80的AUROC（95% CI: 0.68-0.88）。主要的HRV预测因子包括标准差（SDNN）、极低和低频段的功率、熵和分形标度。各6小时时间段的性能相似（p’s > 0.1）。添加心脏骤停特征并未改善模型性能（AUROC 0.83 [0.73-0.92]，p > 0.41）。结论：使用机器学习，儿童心脏骤停后24小时内的HRV特征可以预测不良结局，AUROC为0.8。添加临床变量并未改善模型性能。