基于机器学习的猪心脏骤停模型心肺复苏期间自主循环恢复预测：数据分辨率与多模态生理波形的影响

《Critical Care Medicine》：Machine Learning-Based Return of Spontaneous Circulation Prediction During Cardiopulmonary Resuscitation in a Swine Model of Cardiac Arrest: Effect of Data Resolution and Multimodal Physiological Waveforms

本研究通过187例猪模型评估高分辨率（100Hz）和低分辨率（15秒平均）生理信号监测对心肺复苏（CPR）中自主循环恢复（ROSC）预测的影响。结果显示，高分辨率在早期（2-4分钟）CPR中显著提升主动脉血压（ABP）和右心房压力（RAP）预测能力（AUROC分别为0.74和0.70），但多模态低分辨率模型（AUROC 0.76-0.79）与高分辨率模型表现接近。当分析全程CPR（2-10分钟）时，仅基于ABP的单模态模型即可达到与多模态高分辨率模型相当的预测性能（0.90 vs 0.89）。这些发现为优化CPR监测技术提供了理论依据，支持基于数据的生理参数选择和CPR技术优化。

　　

摘要通俗语言总结

---

目的：

确定在高分辨率（HighRes）和多模态整合生理信号的情况下，与低分辨率（LowRes）和单模态方法相比，是否能够更好地预测儿童心肺复苏（CPR）过程中的自主循环恢复（ROSC）。

设计：

使用机器学习模型对实验数据进行回顾性分析，以预测结果。

研究环境：

在实验室环境中，使用儿童猪模型进行心脏骤停实验。

研究对象：

共187头儿童猪，它们接受了标准化的心脏骤停和CPR处理。

干预措施：

在CPR过程中，通过多种生理信号监测动物情况，包括主动脉血压（ABP）、右心房压力（RAP）、二氧化碳监测（capnography）和心电图（electrocardiography）。未评估任何治疗性干预措施。

测量方法和主要结果：

评估了四种数据方法：1）波形高分辨率（Waveform-HighRes，100 Hz波形）；2）压缩高分辨率（Compression-HighRes，每次压缩后的生理信号序列）；3）波形低分辨率（Waveform-LowRes，15秒平均波形）；4）压缩低分辨率（Compression-LowRes，15秒平均的每次压缩后的序列）。开发了模型来预测CPR进行2-4分钟、2-6分钟、2-8分钟和2-10分钟时的ROSC，这些模型使用了单一和组合的信号模式。通过接收者操作特征曲线下面积（AUROC）来评估模型的性能。在CPR早期（2-4分钟），压缩高分辨率方法在ABP（AUROC分别为0.74 [0.65–0.82] vs 0.65 [0.55–0.74] 和 0.54 [0.44–0.64]）和RAP（AUROC分别为0.70 [0.62–0.79] vs 0.61 [0.51–0.70] 和 0.57 [0.48–0.66）方面优于两种低分辨率方法；p < 0.05）。在多模态模型中，低分辨率数据的性能与高分辨率模型相当（AUROC为0.76–0.79）。随着时间的推移，基于ABP的模型性能有所提高，在整个CPR期间（2-10分钟）的AUROC达到0.90（0.84–0.95），与多模态模型相当（0.89 [0.83–0.95）。

结论：

高分辨率监测提高了单个生理信号的早期ROSC预测能力，尤其是ABP和RAP。然而，结合多种模式可以弥补分辨率较低的缺陷，从而实现类似的预测性能。这些发现支持在生理导向的CPR中选择生理目标和技术要求的数据驱动策略。

通俗语言总结：本研究探讨了在CPR过程中使用高分辨率（HighRes）监测生理信号是否能够比低分辨率（LowRes）方法更好地预测儿童心脏骤停时的自主循环恢复（ROSC）。通过猪模型实验，研究人员发现高分辨率数据在预测主动脉血压（ABP）和右心房压力（RAP）等单个生理信号的早期ROSC方面表现更好。然而，当结合多个信号时，低分辨率数据的性能与高分辨率数据相当。这表明，虽然高分辨率数据增强了早期预测能力，但多模态方法可以弥补分辨率较低的不足，为CPR监测提供了有效的策略并改善了结果。

本文由机器生成，可能存在不准确之处。常见问题解答