编辑推荐：
在急诊医疗中，预测危重症患者医院到达时的生命体征意义重大，但现有模型准确性欠佳。日本研究人员开展了 “Improving prediction accuracy of hospital arrival vital signs using a multi - output machine learning model” 的研究，构建模型精准预测，结果表明该模型效果良好，有助于优化急诊医疗资源配置。
在医疗急救的战场上，时间就是生命，对于危重症患者来说更是如此。他们的病情可能在短时间内急剧恶化，因此，及时有效的院前干预以及入院后无缝衔接的治疗，是提高患者生存率的关键。在日本，一般紧急医疗服务（General Emergency Medical Services，GEMS）打响急救的第一枪后，直升机紧急医疗服务（Helicopter Emergency Medical Services，HEMS）迅速接力，通过现场救治、缩短转运时间和协助选择合适的医疗机构，为患者争取宝贵的救治机会。
然而，目前在预测患者到达医院时的生命体征这一关键环节，却存在着不小的难题。现有的预测模型精准度差强人意，尤其是对于那些先后接受 GEMS 和 HEMS 连续干预的患者，预测结果更是不尽如人意。要知道，准确预知患者到达医院时的生命体征，能让医院提前做好充分准备，为严重病例制定完善的治疗方案，大大减少关键治疗的延误。在这样的背景下，来自日本奈良医科大学（Nara Medical University）的研究人员挺身而出，开展了一项旨在提高医院到达生命体征预测准确性的研究。他们通过构建多输出机器学习模型，利用有限的患者特征数据和院前生命体征数据，对患者到达医院时的实际生命体征进行预测。
这项研究成果意义非凡，它就像为急诊医疗领域点亮了一盏明灯。精准的生命体征预测，能够帮助医院优化资源分配，提前制定科学的护理计划，为快速应急响应奠定坚实基础，进而提高患者的救治成功率，改善患者的预后。该研究成果发表在《BMC Emergency Medicine》杂志上。
研究人员在此次研究中运用了多种关键技术方法。数据来源于日本航空医疗服务注册中心（Japanese Society for Aeromedical Services Registry，JSAS - R），这是一个全国性的数据库，前瞻性地记录了日本各地 HEMS 的活动情况。研究人员对数据进行了一系列预处理，包括检测和处理异常值、处理缺失值以及数据标准化。为了构建模型，他们采用了深度神经网络（Deep Neural Network，DNN）构建多输出回归模型，并运用贝叶斯优化（Bayesian optimization）对模型的超参数进行调优。同时，使用五重交叉验证评估模型的泛化性能。
下面来看看具体的研究结果。在患者筛选方面，最初有 25815 名患者，经过一系列严格的排除标准筛选后，最终纳入了 10478 名患者进行研究。这些患者的中位年龄为 70 岁，男性占比 69%，创伤是最常见的病因，占比 41%。在预测准确性上，多输出回归模型表现出色，预测心率（Heart Rate，HR）的平均绝对误差（Mean Absolute Error，MAE）为 7.1 次 / 分钟，收缩压（Systolic Blood Pressure，SBP）为 15.7 mmHg，舒张压（Diastolic Blood Pressure，DBP）为 10.8 mmHg，呼吸频率（Respiratory Rate，RR）为 2.9 次 / 分钟，格拉斯哥昏迷评分（Glasgow Coma Scale，GCS）为 0.62 分。HR 和 GCS 评分的预测准确性较高，该模型在 R2 得分和残差标准差方面明显优于其他方法。通过敏感性分析发现，仅使用无缺失值的 5112 例病例进行分析时，模型的准确性略有提高，且趋势与数据插补后的结果相似。
在研究结论和讨论部分，该多输出回归模型在预测接受 GEMS 和 HEMS 干预患者到达医院时的生命体征方面，展现出了较高的准确性。这一成果充分证明了先进建模技术在急诊医疗领域的有效性。不过，研究也存在一些局限性。比如，大量的院前数据缺失可能导致选择偏倚，影响模型性能和研究结果的普遍性；将 RR 和 GCS 评分作为连续变量处理，可能降低了预测准确性；干预数据仅局限于气管插管，无法全面评估其他干预措施的影响；模型的可解释性较低，且复杂性给临床应用带来挑战；还需要在其他地区进行外部验证。尽管如此，这项研究依然为急诊医疗的发展提供了重要的方向和参考，有望推动急诊医疗领域的进一步发展，为更多患者带来生的希望。
