电子健康记录,可更好预测院外心搏骤停风险

小雁的记事本 2024-07-12 08:48:40

心源性猝死(SCD)是一个主要的公共卫生负担,约占全球死亡率的15%~20%。院外心搏骤停(OHCAs)是SCD最常见的情况。尽管复苏科学和护理服务取得进步,OHCA后的生存率仍很低,中位生存率≈10%。因此,减轻全球SCD负担需有效的上游预防,包括准确预测SCD和识别可改变的风险。OHCA大多数发生在普通人群中,他们没有确定风险的既定策略。近日,发表在Circulation的一项研究中,作者评估了电子健康记录(EHR)数据的使用情况,以确定普通人群中的OHCA风险,并确定导致OHCA风险的显著因素。

研究背景

目前,SCD的预测和预防面临挑战。首先,大多数SCD发生在普通人群中,其个体风险较低(每年≈0.05%~0.1%)。在这种情况下,传统的流行病学观察方法通常作用不足。其次,SCD的当代预防策略,例如使用植入式心律转复除颤器,仅限于绝对风险高的患者,这些患者只占全球SCD负担的一小部分。第三,考虑到SCD经常发生在院外,评判具有挑战性,通常使用流行病学定义,且需推断死亡时间和机制。

在这项研究中,作者将基于人群的紧急医疗服务(EMS)OHCA登记处与约150万患者的纵向电子健康记录联系起来。使用病例对照研究设计,测试了用于预测OHCA的机器学习模型,并进一步定义影响OHCA风险预测的最显著因素。

研究方法

研究分析队列纳入在华盛顿大学接受医疗保健的2366名OHCA患者和23 660名年龄和性别匹配的对照组。合并症,心电图测量,生命体征和药物处方从电子病历中获取。主要结局为OHCA。次要结局包括休克和非休克性OHCA。模型特征包括受试者工作特征曲线下面积和阳性预测值评估,并根据整个卫生系统中OHCA的观察率进行校正。

研究结果

在人口统计学特征、生命体征、心电图测量、合并症和药物分布方面,OHCA患者和对照组有显著差异。在外部验证中,机器学习模型(受试者工作特征曲线下面积0.80~0.85)的判别优于具有常规心血管风险因素的基线模型(受试者工作特征曲线下面积0.66)。在99%的特异性阈值下,校正整个卫生系统的基线OHCA发病率,机器学习模型的阳性预测值为2.5%~3.1%,而基线模型的阳性预测值为0.8%。在所有机器学习模型中,更长的校正QT间期、药物滥用失调、液体和电解质失调、酒精滥用和更高的心率被确定为OHCA风险的显著预测因素。已确定的心血管风险因素对休克性OHCA仍具有预测重要性,但人口统计学特征(少数民族、单身婚姻状况)和非心血管合并症(药物滥用失调)也有助于风险预测。对于非休克性OHCA,确定了一系列显著的预测因素,包括合并症、习惯、生命体征、人口统计学特征和心电图测量。

图1. 内部和外部验证受试者院外心搏骤停工作特征(ROC)曲线下面积

图2. 机器学习模型预测院外心搏骤停的协变量重要性共识

讨论和结论

在一个大型美国卫生系统中,与EMS、OHCA相关的纵向电子健康记录数据显示,普通人群中OHCA的预测因素有很多。社会人口因素(自我认定的黑种人、单身婚姻状况、保险状况)、生命体征(心率较高、血氧饱和度较低、血压较高)、心电图测量(更长的校正QT间期)、心血管风险因素或疾病替代物(糖尿病、抗心绞痛药物使用)和非心血管合并症(液体和电解质紊乱、物质和酒精滥用、精神病)对OHCA预测作用最大。使用电子健康记录数据机器学习模型优于传统OHCA临床预测模型。

这项研究有三个重要发现。首先,OHCA风险复杂,是一系列社会人口、心血管和非心血管因素的基础。既往对OHCA发病机制的研究主要集中在白种人群中,表明75%~80%的患者的OHCA是由冠心病引起,而女性的冠心病患病率较低(45%~50%)。最近一项对OHCA死者的尸检研究发现,32%的人患有冠心病。这项研究发现,少数OHCA患者(28%)存在明确的冠状动脉疾病,非心血管合并症对OHCA风险预测有重要贡献,包括液体和电解质紊乱,以及酒精和药物滥用。黑人、较长的QT间期、较高的平均心率和单身婚姻状况既往已被确定为普通人群中SCD的危险因素,并且在本研究中也被确定为OHCA风险的重要因素。综上所述,这些发现突出了OHCA流行病学的演变,并支持未来努力了解心血管因素以外的因素是OHCA风险的基础。

其次,将OHCA分为休克性或非休克性,虽然在急性复苏中可行,但这减少和低估了OHCA表型的复杂性。由于致死性室性心律失常引起的休克性OHCA历来与心血管危险因素有关,而非休克性OHCA则与非心血管因素有关。这项研究发现,一些心血管风险因素和合并症在休克性和非休克性OHCA中同样普遍。同样,非心血管风险因素,包括药物滥用,对OHCA风险预测有很大作用,这表明减轻OHCA负担同样需关注心血管风险以外的更广泛的风险因素。

第三,机器学习方法包含范围广泛的可能预测因子,对一般人群的OHCA具有良好的判别能力(AUC为0.80~0.85)。在这项研究中,当我们根据整个卫生系统中观察到的OHCA率调整模型性能指标时,OHCA的PPV在中位随访2年期间为2.5%~3.1%,或每年≈1.3%~1.6%。简而言之,本研究中得出的机器学习模型使OHCA风险增加≈13~16倍。这种OHCA模型可以为分阶段筛查方法提供基础,其中确定为高风险的个体将成为进一步有针对性评估的候选人,这些评估与导致OHCA风险的患者层面因素有关。

总之,在这项基于人群的病例对照研究中,结合现有电子病历数据的机器学习模型显示,在普通人群中,OHCA具有合理的判别和风险富集作用。与OHCA风险相关的显著因素在心血管和非心血管范围内有很多。公共卫生和针对OHCA风险预测和预防的针对性策略将纳入这种复杂性。

参考文献:Jessica Perry, Jennifer A. Brody, Christine Fong,etal.Predicting Out-of-Hospital Cardiac Arrest in the General Population Using Electronic Health Records.Circulation. 2024;149:00–00. DOI: 10.1161/CIRCULATIONAHA.124.069105

声明:本文仅供医疗卫生专业人士了解最新医药资讯参考使用,不代表本平台观点。该信息不能以任何方式取代专业的医疗指导,也不应被视为诊疗建议,如果该信息被用于资讯以外的目的,本站及作者不承担相关责任。

(来源:《国际循环》编辑部)

0 阅读:0