优化院外心脏骤停患者体外心肺复苏候选者选择：基于机器学习的个体化治疗效果模型与基于规则标准的对比研究

背景：体外心肺复苏（ECPR）已被证明对经过选择的院外心脏骤停患者有生存获益，但最佳选择标准仍不确定。基于机器学习的个体化治疗效果（ITE）建模通过捕捉治疗反应的异质性，可能识别出最有可能获益的患者，从而为ECPR候选者选择提供比当前基于规则的标准更准确的策略。 方法：我们回顾性分析了2016年至2024年间台湾4个三级医疗中心收治的、由急救医疗服务接诊的成人非创伤性院外心脏骤停患者。在对可电击心律和目击者情况进行倾向评分匹配后，开发了一个基于梯度提升树的因果森林模型来估计ITE并预测ECPR对患者存活至出院的获益。将不同ITE阈值下的绝对观察治疗效果与基于试验的标准（ARREST试验、PRAGUE OHCA试验和INCEPTION试验）以及医院特定的标准进行比较。 结果：在1953名匹配患者中，977人接受了ECPR。ECPR组与非ECPR组的总体生存率相似（11.1% 对 12.8%；标准化均差=0.054）。在预测获益最高的前10%患者中，接受ECPR的患者出院存活率为50.0%，而未接受者为20.0%，产生的绝对观察治疗效果为30.0%（95% CI, 1.56-57.58; P=0.042）。与基于规则标准选出的患者相比，ITE模型识别出的亚组具有更高的观察生存获益。与较高ECPR治疗效果相关的因素包括较低的血清pH值和二氧化碳分压水平、较高的乳酸水平、较年轻的年龄以及旁观者心肺复苏。 结论：与当前基于规则的标准相比，基于ITE的模型与更大的观察生存获益相关，并可能展示其作为ECPR候选者选择的数据驱动框架的潜力。需要在前瞻性环境中进行进一步验证。