基于机器学习的院前呼吸急症时间敏感性模式探索：非线性关联与临床决策优化研究

本研究针对呼吸急症患者院前响应时间与高危时间敏感性（HRTS）条件的复杂关联，采用随机森林、梯度提升等机器学习技术，揭示了年龄>60岁患者在两小时以上延迟响应时风险骤升的非线性模式。研究通过部分依赖（PD）和个体条件期望（ICE）可视化分析，为优化分诊协议和动态优先级调整提供了数据支撑，发表于《BMC Medical Informatics and Decision Making》。

　　

呼吸系统急症是院前急救中的高风险场景，但传统分诊系统对响应时间、年龄和性别等因素的交互作用缺乏深入理解。瑞典斯德哥尔摩的健康与医疗管理局联合卡罗林斯卡医学院团队，通过机器学习首次揭示了这些变量间的非线性关联。研究发现，当响应时间超过两小时时，60岁以上患者出现高危时间敏感性（HRTS）条件的概率呈现显著上升趋势，而男性患者整体风险更高。这一发现为动态调整分诊策略提供了关键证据，相关成果发表于《BMC Medical Informatics and Decision Making》。

研究团队利用斯德哥尔摩2017-2022年132,395例呼吸急症院前任务数据，采用梯度提升（Gradient Boosting）、随机森林等多模型对比分析。通过定向无环图（DAG）确定变量关系后，重点运用部分依赖（PD）和个体条件期望（ICE）可视化技术解析非线性模式，并采用训练-验证-测试（60%-30%-10%）的数据分割策略确保结果稳健性。

研究结果显示，梯度提升模型以AUC 0.66和F1-score 0.55的表现最优。关键发现包括：1）年龄是HRTS最强预测因子，60岁以上患者占高风险群体主体；2）响应时间与HRTS概率呈非线性关联，两小时延迟后老年组风险曲线陡升；3）男性患者在各年龄段均保持更高HRTS概率。可视化分析进一步显示，年轻男性患者在超长响应时间下风险持续线性增长，暗示现有分诊系统可能遗漏部分潜在危重病例。

讨论部分指出，该研究首次通过机器学习揭示了响应时间阈值效应与人口学特征的交互作用。对于EMS管理而言，建议建立延迟响应的二次评估机制，特别是针对老年患者；在分诊协议中强化年龄和性别权重，例如为60岁以上患者设置更高基线优先级。研究局限性在于未纳入合并症等临床变量，未来需扩展多病种研究。这些发现为开发动态分诊算法奠定了基础，推动院前急救从静态协议向数据驱动的精准决策转型。