韩国医学研究团队发现在医院内发生的心脏骤停是医疗服务的主要负担，院内心脏骤停是卫生保健领域的一大负担。虽然有几种跟踪和触发系统被用于预测心脏骤停，但它们的性能往往不令人满意。  研究者开发并验证了一种利用人工智能算法（DLA），分析心电图（ECG）并预测心脏骤停的方法。

该研究成果以“Artificial intelligence algorithm for predicting cardiac arrest using electrocardiography”为题，于北京时间10月6日发表于Scandinavian Journal of Trauma,Resuscitation and Emergency Medicine。

研究背景

心脏骤停是一个主要的公共卫生负担，对美国医院内心脏骤停的重新研究估计，有292,000名成年人心脏骤停。每年研究显示，心脏骤停的比例比前期数据大38%左右，这是一个令人关注的趋势。虽然在过去的20年里，心脏骤停的存活率一直在增加，但出院前的存活率仅为25%。由于高达80%的患者在心脏骤停前有恶化的迹象，过去已实施了多种快速反应系统（RRSs）来预防心脏骤停。一些使用生命体征和实验室结果等离散数值的跟踪和触发系统（TTSs）被用于RRSs中。由于传统的TTSs在检测患者病情恶化方面有一定的局限性，一些研究者采用了基于深度学习的算法来处理这些数值，其性能优于传统工具。然而，这些新型的TTSs的性能也不令人满意，需要进一步改进算法与电健康记录的使用。需要进行范式转变，使用一种新型的变量来提高预测心脏骤停的效率。以往的研究发现QT延长、QRS延长、QRS复合物碎片化、早期回声与心脏骤停有关。然而，要检测到心电图中如此微妙的变化并不容易，传统的统计方法无法建立一个利用心电图的com-plex信息来预测心脏骤停的标准。深度学习最重要的是它能够从高维复杂数据中提取特征，并从图像、二维（2D）数据和波形等各种类型的数据中制定算法。最近，深度学习已经被用于分析心电图，用于诊断左心室肥厚、主动脉狭窄、房颤、心力衰竭，甚至确定年龄和性别。研究者假设DLAs可以有效地预测心脏骤停。为了验证这一假设，研究者开发并验证了一个利用心电图预测心脏骤停的DLA。

研究方法

研究者还进行了一项回顾性研究，纳入了两家医院收治的25672名成年患者的47505份心电图，这些患者在2016年10月至2019年9月接受了至少一次心电图检查。终点为心电图24小时内发生心脏骤停。在最初被归类为非事件的患者中使用亚组分析，研究者证实了心脏骤停和意外重症监护室转移的延迟发生超过14天。

研究者分别用来自某医院10461名患者的32294份心电图和4483名患者的4483份心电图作为开发数据和内部验证数据。此外，研究者还使用了另一家医院10728名患者的10728份心电图作为外部验证数据，证实了开发的DLA的稳健性。在内部和外部验证过程中，DLA预测24h内心脏骤停的接收者操作特征曲线下面积分别为0.913和0.948。DLA的高危组在延迟心脏骤停（5.74%vs.0.33%，P＜0.001）和意外转入重症监护室（4.23%vs.0.33%，P＜0.001）的危险性显著增加。(4.23%vs0.82%,P<0.001).DLA的敏感性图显示了用于预测心脏骤停的心电图区域，DLA最集中于QRS复合体。

研究者的DLA成功地利用不同格式的心电图预测心脏骤停，研究者的DLA成功地预测了不同格式的的心脏骤停心电图。结果表明，心脏骤停不仅可以用传统的12导联心电图进行筛查和预测，而且可以用采用研究者DLA的可穿戴设备的单导联心电图进行预测。

预测变量为心电图、年龄和性别，数字化存储的12导联心电图数据以每秒500个数据点(500Hz)在每个导联处记录10s。

A医院的数据被用于开发和内部验证。研究者确定了在研究期间（2016年10月-2019年9月）入院到A医院的患者，并且在入院期间在仰卧位获得了至少一个标准数字、10s、12导联心电图。研究者排除了人口统计学或心电图信息缺失的受试者。如图所示，在A医院接受治疗的患者被随机地、专门地分为算法开发（70%）和内部验证（30%）数据集。B医院的数据仅用于外部验证。

研究者还确定了在研究期间（2017年3月-2019年9月-贝尔）入住B医院，并在其间至少有一个心电图的患者。研究者还排除了B医院中数值缺失的受试者。B-原因验证数据的目的是评估算法的准确性，研究者只使用每个患者的一个心电图进行内部和外部验证数据集--最近的心电图到终点（心脏骤停或生存和随后的出院）。

本研究的终点是心脏骤停，定义为缺乏可触及的脉搏，有或没有试图重新抢救。研究者审查了电子健康记录，以确定每个终点的确切时间。DLA的目的是预测心电图是否在心脏骤停的预测时间窗内，即心脏骤停前的24h间隔。对于心脏骤停的患者，属于预测窗口的ECG被标记为心脏骤停，其他ECG被标记为非事件。对于没有发生心脏骤停的患者，所有的心电图都被标记为非事件。换句话说，开发DLA的目的是准确地将心电图分类为心脏骤停或非事件。

研究分析

该图显示，DLA更侧重于QRS复合体来决定和预测心脏骤停。DLA也部分关注T波来预测心脏骤停。QRS延长一直被认为是各种心血管疾病患者死亡率的预后标志物。此外，据报道，QRS片段与结构性心脏病患者的死亡率增加有关。本研究中，心脏停搏心电图有延长QRS持续时间和QTs校正。心脏骤停心电图的心率大于非事件心电图，心脏骤停心电图的T波轴较非事件心电图更右移。但由于深度学习的局限性，研究者无法确定DLA计算风险评分的具体过程。开展心电图的可解释深度学习技术的研究将是研究者下一步研究的重点。

DLA可以预测几个年轻患者的心脏骤停。虽然需要前瞻性研究来证明临床改善，但在普通病房使用DLA有可能改善临床结果。在实际临床实践中的应用，由于重症监护室缺乏所需的资源，研究者无法将所有的高危病人转移到重症监护室。但是，研究者可以利用远程监控设备对高危病人进行监控，使快速反应小组的医生能够重新评估这些病人。此外，需要注意的是，很难证明临床改善，如果由于加强对患者的监测而避免了车祸的发生，这一结果将无法衡量。因此，以往对患者病情恶化的报警检测系统的研究主要以患者转入ICU为终点。

该研究有几个局限性，有待今后解决。首先，这是一项回顾性研究，使用的是便利的12导联心电图。前瞻性的研究是值得的，以确定DLA的关联，并增强在检测心脏骤停和改善临床输出。在这种未来的研究中，重要的是研究者要排除那些经历过心脏骤停但未尝试任何抢救的患者，因为这种所谓的临床改善几乎没有感知价值，尤其是在患者未被抢救的情况下。为确认来自各种可穿戴或便携式心电图设备的数据的准确性，有必要进行一项研究，将DLA应用于这些设备。如果研究者在日常生活中采用DLAs，也需要研究确认其在家庭和一般环境中的性能。其次，为了使其成为可靠的心搏骤停检测工具，DLA的性能有待提高。虽然NPV超过99%，但在高灵敏度点的PPV只有8%。由于在深度学习和计算机科学方面已经开发了几种方法，研究者可以在不久的将来开发更高性能的DLA。研究者还开发了高性能的TTS，将DLA与生命体征等离散数字变量相结合。第三，研究者需要进一步探索DLA的决策过程。对于研究示例，还需要额外的实验来更好地深度学习过程，从而了解QRS和T波的哪些确切特征影响算法的决策。可解释的人工智能最近已经被研究和报道，所以"黑匣子"的限制可能在不久的将来得到解决。这个课题将是研究者下一个研究领域，这可能会变成发现疾病和心电图新医学知识的新标准。

研究结论

新开发的基于深度学习的人工智能算法不仅在使用12导联，而且在使用单导联心电图预测心脏骤停方面表现出很高的性能。结果表明，不仅可以用传统的12导联心电图进行心脏骤停的筛查和预测，而且可以用采用人工智能算法的可穿戴设备进行单导联心电图的筛查和预测。

文章链接：https://link.springer.com/article/10.1186/s13049-020-00791-0?utm_source=other&utm_medium=other&utm_content=null&utm_campaign=BSCN_4_DD01_CN_CNKI