心脏骤停后患者平均动脉压与神经功能预后的机器学习分析：揭示80 mmHg的关键阈值

本研究针对心脏骤停后患者最佳平均动脉压(MAP)管理这一临床难题，通过机器学习方法分析291例患者数据，发现MAP在自主循环恢复(ROSC)后6小时内对神经功能预后最具预测价值。研究首次采用SHAP解释性模型揭示MAP与良好神经功能(CPC 1-2)呈倒U型关系，确定79.56 mmHg(IQR:73.70-82.54)为最优阈值，为临床血压管理提供了循证依据。该成果发表于《Journal of Intensive Care》，为改善心脏骤停患者预后提供了重要决策支持。

　　

心脏骤停是全球范围内的重大健康威胁，即使成功复苏，脑损伤仍是导致长期残疾和死亡的主要原因。这种损伤源于心脏骤停期间的脑缺氧，并在复苏后的早期阶段被持续的病理生理过程加剧。目前美国心脏协会(AHA)指南建议将平均动脉压(MAP)维持在65 mmHg以上，但越来越多的证据表明这个阈值可能不足以保证足够的脑灌注。临床实践中面临的核心难题是：在脑血管自动调节功能受损的情况下，如何确定最佳MAP目标值以优化神经功能预后？

韩国大学医学院附属安岩医院急诊医学科的研究团队开展了这项开创性研究。他们采用机器学习方法分析291例心脏骤停复苏后患者数据，首次应用可解释人工智能技术揭示了MAP与神经功能预后的精确关系。研究发现MAP在自主循环恢复(ROSC)后最初6小时对预后最具预测价值，通过SHAP分析确定了79.56 mmHg(IQR:73.70-82.54)这一关键阈值，为临床实践提供了循证依据。这项重要成果发表在《Journal of Intensive Care》上。

研究人员采用多学科方法开展这项研究。通过回顾性分析2017-2020年间291例成人心脏骤停患者数据，收集了46个临床变量，包括每小时MAP测量值和血管活性药物评分(VIS)。研究比较了五种机器学习算法，最终选择表现最优的随机森林模型(Random Forest)进行深入分析。应用SHAP(Shapley Additive exPlanations)和LIME(Local Interpretable Model-agnostic Explanations)等可解释AI技术，揭示了变量与预后的非线性关系。

主要研究结果

基线特征比较

研究纳入的291例患者中，109例(37.5%)获得良好神经功能预后(CPC 1-2)。与预后不良组相比，预后良好组具有更高的目击心脏骤停比例(91.7% vs. 79.1%)、心脏原因导致骤停比例(56.0% vs. 20.3%)和初始可除颤心律比例(79.8% vs. 13.2%)。预后良好组的CPR持续时间显著更短(中位数6分钟 vs. 23分钟)，PCI实施率更高(37.6% vs. 8.8%)，VIS_max值更低(21.32 vs. 53.33 μg/kg/min)。

机器学习模型表现

在五种机器学习算法中，随机森林模型表现最佳，准确率达0.907，F1分数0.857，AUC(曲线下面积)为0.932。如图2所示，初始可除颤心律和CPR持续时间是最具影响力的预测因子，而ROSC后最初6小时的MAP值(MAP_1H-6H)显示出比其他时间段MAP更高的预测重要性。

最优MAP阈值分析

SHAP依赖图揭示了MAP与良好神经功能预后之间的倒U型关系。研究发现24小时内的中位最优MAP阈值为79.56 mmHg(IQR:73.70-82.54)。分时段分析显示，早期(1-6小时)和后期(7-24小时)的最优阈值相似，分别为79.26 mmHg和80.09 mmHg，表明维持稳定的血压目标至关重要。

个体化预测解释

通过LIME和SHAP力图的案例分析显示，即使存在其他有利因素(如可除颤心律)，早期低MAP值会显著降低良好预后概率；相反，早期高MAP值可部分抵消其他不利因素(如高龄和非可除颤心律)的负面影响。这强调了ROSC后早期血压管理的关键作用。

这项研究通过创新的机器学习方法，为心脏骤停后的血压管理提供了重要循证依据。研究发现MAP是神经功能预后的主要预测因子，特别是在ROSC后的最初6小时内。确定的约80 mmHg最优MAP阈值，显著高于当前指南推荐的65 mmHg，可能反映了在脑血管自动调节受损的情况下，需要更高灌注压力来保证脑血流。研究采用的SHAP和LIME等可解释AI技术，有效解决了传统机器学习"黑箱"问题，使临床医生能够理解模型预测的依据。

这些发现对临床实践具有重要指导意义：首先，建议将心脏骤停复苏后的MAP目标提高至80 mmHg左右；其次，强调ROSC后最初6小时是血压管理的关键窗口期；最后，研究为个体化血压管理提供了新思路。未来研究需要在前瞻性临床试验中验证这些发现，并探索不同亚组患者(如不同病因、年龄)可能存在的差异化最优MAP目标。这项研究代表了将人工智能技术转化为临床决策支持的重要进展，为改善心脏骤停患者预后开辟了新途径。