外科手术环境中心脏骤停患者的心肺复苏预后预测

《JAMA Network Open》：Prediction of Cardiopulmonary Resuscitation Outcomes for Arrest in Surgical Settings

本研究通过多中心前瞻性分析6405例心脏骤停患者预手术数据，构建机器学习模型，发现极端梯度提升模型对30天死亡率和非居家出院的预测AUROC分别为0.80和0.78，证实预手术数据可用于个体化预后评估，指导CPR决策及预防策略。

　　

关键点

问题 机器学习模型能否利用术前数据预测围手术期心脏骤停患者接受心肺复苏（CPR）后的预后结果？

研究结果 在这项针对6405例围手术期心脏骤停病例的预测研究中，模型成功利用术前数据预测了患者的死亡率和是否非家庭出院的情况。极端梯度提升（Extreme Gradient Boosting, XGBoost）模型表现最佳，其接收者操作特征曲线（Receiver Operating Characteristic Curve, ROC）下面积分别为0.80（死亡率）和0.78（非家庭出院），同时具备良好的预测准确性、校准性能和决策曲线分析结果。

意义 这些结果表明，利用术前数据的机器学习模型能够为患者提供个性化的术后预后预测，从而有助于制定预防策略和促进多方决策协作。

摘要

重要性 围手术期心脏骤停和心肺复苏（CPR）会导致较高的发病率和死亡率。尽管目前越来越重视目标一致的外科护理，并且长期以来一直强调术前风险评估的讨论，但临床医生仍缺乏工具来个性化评估风险并支持围手术期CPR相关的多方决策过程。

研究目的 利用常规可获得的术前数据，建立并内部验证用于预测30天死亡率和非家庭出院情况的预测模型。

研究设计、地点和参与者 本研究为前瞻性、多中心研究，纳入美国外科医师学会（American College of Surgeons, ACS）-国家外科质量改进计划（National Surgical Quality Improvement Program, NSQIP）范围内的患者，涉及美国近700家医院，研究时间为2012年1月1日至2023年12月31日。随访期为30天。研究使用了10折交叉验证方法开发了7种机器学习模型，参与者为18岁及以上、接受非心脏手术且在手术当天接受CPR的患者。

研究变量 研究评估了33个术前社会人口统计学、临床、实验室和手术相关变量与30天死亡率和非家庭出院情况之间的关联。

主要结果和评估指标 主要结局指标是CPR后的30天死亡率；次要结局指标是从家中送入医院的患者中最终非家庭出院的比例。评估指标包括接收者操作特征曲线下面积（AUROC）、准确性、敏感性、特异性、阳性预测值、阴性预测值以及校准性能（Brier分数和校准曲线）。临床实用性通过Shapley加性值（Shapley Additive Values, SHAP）决策曲线分析（Decision Curve Analysis, DCA）进行评估。

研究结果 在6405名患者中（中位年龄69岁[范围60-78岁]，男性3572人[55.8%]，黑人860人[13.4%]，白人4343人[67.8%]，其他种族261人[4.1%，包括美洲原住民、亚裔及夏威夷原住民或其他太平洋岛民]），3710人（57.9%）在30天内死亡。极端梯度提升模型（CPR Outcome Prediction for Arrest in Surgical Settings, COMPASS）表现最佳：死亡率的AUROC为0.80（95%置信区间[0.78-0.82]，准确性为0.73（95%置信区间[0.71-0.75]，敏感性为0.77（95%置信区间[0.74-0.79]，特异性为0.68（95%置信区间[0.65-0.71]，Brier分数为0.18）。在2478名从家中送入医院的患者中，822人（33.2%）最终非家庭出院。对于非家庭出院情况，XGBoost模型的AUROC为0.78（95%置信区间[0.74-0.82]，准确率为0.76，Brier分数为0.17）。SHAP分析显示，美国麻醉医师协会（American Society of Anesthesiologists）的风险评估等级、病例紧急程度和患者虚弱状况是关键预测因素。DCA分析表明，在广泛的范围内，XGBoost模型相比默认策略（即全部治疗或全部不治疗）具有更大的净收益。

结论与意义 本研究通过极端梯度提升模型实现了对围手术期CPR后预后的个性化预测，这些预测结果可为预防策略和目标一致的外科护理提供参考。