院外心脏骤停体外心肺复苏候选者选择的优化：机器学习个体化治疗效果方法对比基于规则的标准

背景：体外心肺复苏（ECPR）已被证明对特定院外心脏骤停（OHCA）患者具有生存获益，但最佳选择标准仍不明确。基于机器学习的个体化治疗效果（ITE）建模可能通过捕捉治疗反应的异质性来识别最可能获益的患者，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个三级中心收治的成人、非创伤性、急诊医疗服务接诊的OHCA患者。在倾向评分匹配可电击心律和目击心脏骤停后，开发了基于梯度提升树的因果森林模型来估计ITE，并预测ECPR至出院生存的获益。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）以及医院特定标准进行比较。结果：在1953名匹配患者中，977名接受了ECPR。总体生存率在ECPR组和非ECPR组之间相似（11.1%对12.8%；标准化均数差=0.054）。在预测获益最高的前10%患者中，ECPR组出院生存率为50.0%，非ECPR组为20.0%，绝对观察治疗效果为30.0%（95% CI，1.56–57.58；P=0.042）。ITE模型确定的亚组其观察到的生存获益高于基于规则的标准所选定的患者。与较高ECPR治疗效果相关的因素包括较低的血清pH和二氧化碳分压、较高的乳酸水平、年龄较小和旁观者心肺复苏。结论：与其他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，并可能作为ECPR候选者选择的数据驱动框架展示潜力。需要在前瞻性环境中进一步验证。