人工智能支持医生做出心脏骤停的艰难决定

当患者在心脏骤停后接受护理时，医生现在可以通过在基于Web的应用程序中输入患者数据来了解数千名类似患者的情况。哥德堡大学的研究人员已经开发了三种这样的心脏骤停决策支持系统，这些系统将来可能会对医生的工作产生重大影响。

这些决策支持工具之一(SCARS-1)现已发布，可从哥德堡心脏骤停机器学习研究网站免费下载。但是，算法的结果必须由具有正确技能的人解释。基于人工智能的决策支持在医疗保健的许多领域正在大力扩展，并且正在就护理服务和患者如何从中受益最多进行广泛讨论。

该应用程序访问瑞典心肺复苏登记处数以万计的患者病例的数据。哥德堡大学的研究人员使用了一种先进的机器学习形式来教授临床预测模型，以识别影响先前结果的各种因素。这些算法考虑了许多因素，例如，与心脏骤停、提供的治疗、以前的健康状况不佳、药物和社会经济状况有关。

新的循证方法

几年后，官方关于心脏骤停的建议可能会包括基于人工智能的决策支持，但医生可以自由使用这些预测模型和其他新的循证方法。研究心脏骤停决策支持的研究小组由Araz Rawshani领导，他是该大学Sahlgrenska学院的研究员，也是Sahlgrenska大学医院心脏病学的住院医师。

“我和我的几位治疗心脏骤停急诊患者的同事已经开始使用预测模型作为我们决定护理水平的过程的一部分。这些工具的答案通常意味着我们会得到已经得出的观点的确认。尽管如此，它仍然有助于我们避免让患者接受不太可能对患者有益的痛苦治疗，同时节省护理资源，“Rawshani说。

高精度

迄今为止，该研究小组已经发布了两个决策支持工具。一种临床预测模型，称为SCARS-1，在eBioMedicine中提出。该模型表明新的患者病例是否与其他先前的病例相似，其中患者在心脏骤停后30天幸存或死亡。

该模型的准确性异常高。仅基于十个最重要的因素，该模型的灵敏度为 95%，特异性为 89%。该模型的“AUC-ROC 值”(ROC 是模型的接收器工作特性曲线，AUC 是 ROC 曲线下的面积)为 0.97。可能的最高AUC-ROC值为1.0，临床相关模型的阈值为0.7。

拼图的一块

该决策支持由哥德堡大学Sahlgrenska学院的博士生Fredrik Hessul和Sahlgrenska大学医院/Mölndal的麻醉师开发。

“这种决策支持是一个大难题中的几个部分之一：医生对患者的整体评估。在决定是否进行心肺复苏时，我们有许多不同的因素需要考虑。这是一种要求很高的治疗，我们应该只给予那些将从中受益的患者，并且在住院后能够过上有价值的生活，“Hessul说。

这种形式的支持基于393个因素，这些因素影响患者在事件发生后30天内心脏骤停的存活机会。该模型的高精度可以通过该算法所基于的大量患者病例(大约55，000例)以及近400个因素中的十个被发现对生存产生严重影响的事实来解释。到目前为止，最重要的因素是患者进入急诊室后心脏是否再次恢复了可行的心律。

新发心脏骤停的风险

第二个已发表的决策支持工具已发表在《复苏》杂志上。该工具基于在院外心脏骤停后幸存下来的患者的数据，直到他们出院。预测模型基于瑞典心肺复苏登记处886，5例患者病例中的098个因素。该工具的部分目的是帮助医生确定哪些患者在心脏骤停后出院后一年内有再次心脏骤停或死亡的风险。它还旨在强调哪些因素对心脏骤停后的长期生存很重要 - 这是该主题领域的一个方面尚未得到充分研究。

“这个工具的准确性相当好。它可以以大约70%的可靠度预测患者是否会在一年内死亡或再次心脏骤停。就像Fredrik的工具一样，这个工具的优势在于，只有几个因素可以预测结果，几乎和具有数百个变量的模型一样，“开发这种决策支持工具的研究医生Gustaf Hellsén说。

“我们希望成功开发这个预测模型，以提高其精度。今天，它已经可以作为医生的支持，以确定对即将出院的心脏骤停患者生存有重要影响的因素。

针对心脏骤停不同方面的三种决策支持工具

目前，SCARS-1工具(由Fredrik Hessul开发，解决心脏骤停后30天的生存和神经功能)可用作在线应用程序。 SCARS-2(由Gustaf Hellsén开发，旨在支持出院后新心脏骤停风险的决定)将很快推出。在2023年期间，还计划发布SCARS-3(用于院内心脏骤停)。