《Frontiers in Artificial Intelligence》：Machine learning-based early detection of abnormal heart rate in critically ill patients: a real-world clinical dataset study with automated alert system integration
编辑推荐：
引言：心血管疾病（Cardiovascular Diseases，CVD）是全球主要健康挑战，在资源受限环境中延迟诊断会恶化预后。心动过速（tachycardia）/心动过缓（bradycardia）这类异常心率（abnormal heart rate）是可干
引言：心血管疾病（Cardiovascular Diseases，CVD）是全球主要健康挑战，在资源受限环境中延迟诊断会恶化预后。心动过速（tachycardia）/心动过缓（bradycardia）这类异常心率（abnormal heart rate）是可干预的独立危险因素，宜早期自动化检测。方法：研究人员使用葡萄牙里斯本 Hospital Santa Maria 的大样本真实世界数据（23,122 名患者，2019 年 1 月至 2021 年 11 月，覆盖 COVID-19 时期）。采用两种操作化结局定义：其一是基于患者自身心率四分位距（Interquartile Range，IQR）的患者特异性定义，用于比较逻辑回归（Logistic Regression，LR）、K 近邻（K-Nearest Neighbors，KNN）、随机森林（Random Forest，RF）、朴素贝叶斯（Naive Bayes，NB）四类分类器；其二是心动过速/心动过缓的标准临床阈值，用于最佳模型。遵循跨行业数据挖掘标准流程（Cross-Industry Standard Process for Data Mining，CRISP-DM），采用按患者分组、向前走窗的时间序列交叉验证，避免患者级数据泄漏。结果：LR 为最佳模型。IQR 定义下：AUROC 0.78、召回率（recall）85.4%、精确率（precision）66.1%、F1 分数 74.5%。标准临床阈值定义下：AUROC 0.81、recall 91.7%、precision 68.8%、F1 78.6%。还报告了事件患病率、假阳性率、预警负担、校准性和置信区间等扩展指标。研究人员展示了原型实时电子邮件预警系统作为可行性概念验证，并由两名心血管专家非正式评审。讨论：仅凭 recall 与 AUROC 不能证明临床效用。局限包括单中心、种族/诊断变量缺失严重、临床医生评审样本小（n=2）、疫情期数据采集。本研究是方法学增强的概念验证，后续需前瞻性、多中心、多临床医生外部验证。
研究背景方面，心血管疾病（Cardiovascular Diseases，CVD）仍是全球首位死亡原因，中低收入国家因卫生基础设施不足和诊断延迟承受更重负担。异常心率（abnormal heart rate）——即心动过速（tachycardia，HR>100 bpm）与心动过缓（bradycardia，HR<60 bpm）——是不良心血管事件的独立危险因素，需要及时干预。现实问题是：重症监护环境中心率监测数据量大，人工持续盯防加重医生和护士行政与观察负担，单中心真实世界数据又存在高缺失、自由文本多、表结构复杂等问题；同时若用随机切分时间序列生命体征，会因同一患者记录自相关而产生数据泄漏，导致模型性能被高估。因此，研究人员在葡萄牙里斯本 Hospital Santa Maria 的 23,122 名患者、2019 年 1 月至 2021 年 11 月、覆盖 COVID-19 时期的真实世界临床数据上，开展机器学习（Machine Learning，ML）预测心率异常并集成自动化预警系统的概念验证研究，论文发表于《Frontiers in Artificial Intelligence》。其意义在于把真实世界数据、防泄漏时间序列验证、临床阈值对照和预警原型放在同一框架中，说明 AUROC 和召回率（recall）高并不等于临床可用，为后续前瞻性验证提供方法学基线。
关键技术方法上，研究人员依跨行业数据挖掘标准流程（CRISP-DM）推进：业务理解关注葡萄牙高医生密度但高负荷高占床率；数据理解覆盖 138 表、75 GB 的入院、诊断、实验室、医嘱、实时数据（Real-Time Data，RTDATA）等；数据准备由心血管专家参与选变量，对生日/种族低中比例缺失做行删除，对诊断/预防措施的高比例“未知”保留为 Unknown 类别，不做插补，最终建模主表含性别、事件起始、体温、收缩压/舒张压、血氧饱和度（SpO2）、呼吸频率、心率、脉率；目标变量设 IQR 法和临床阈值法两套；用自相关分析选 15 分钟采样，预测未来 5 步即 75 分钟；分类比较 NB、LR、KNN、RF；验证用 5 折按患者分组向前走窗时间序列交叉验证，网格搜索调参以 recall 为目标；可解释性用 SHapley Additive exPlanations（SHAP）；预警系统用 Pandas、NumPy、SMTPLib 做实时邮件告警，偏离预测值 10% 触发、10 分钟冷却，同态加密（homomorphic encryption）保护数据。
3 Data mining based on CRISP-DM：研究人员按业务理解、数据理解、数据准备、建模、评估展开。业务理解指出高医师密度但高行政负荷与约 84% 占床率，催生减少人工监测的自动告警思路。数据理解显示患者旅程从 ADMISSIONS 到科室、分诊、诊断、实验室、医嘱、环境与前环境事件（ENCOUNTERS）、医疗操作；数据准备说明国家 98.5% 未知、性别男 52.7%、 Operating room 占 59.0%、诊断 64.9% 未知、预防措施 95.2% 未知，并明确行删除与 Unknown 保留两套缺失处理，无插补。
3.4 Modeling：类别变量性别、血型、种族做哑变量（dummy variables）。3.4.1 Target variable definition 给出两套结局：IQR 法以患者自身心率 Q1?1.5×IQR 到 Q3+1.5×IQR 之外为异常；临床阈值法以 >100 bpm 或 <60 bpm 为异常。结论是两套定义不能互换，文章全程分开报告。
3.5 Sampling interval selection：自相关分析比较 30 分与 15 分采样，全体患者与记录最多单例患者都显示 15 分钟自相关更强，故取 15 分钟，预测超前 5 步即 75 分钟。3.5.1 Prediction horizon 用 LR 测 15、30、60、75、120 分钟，AUROC 从 0.84 降到 0.74，recall 从 93.2% 降到 79.8%；75 分钟 AUROC 0.78、recall 85.4%，处在陡降之后且仍具临床可操作提前量，是被支持的合理而非唯一最优工作点。3.5.2 Cross-validation strategy 弃用随机切分，采用按患者分组、时间有序的 5 折向前走窗验证，超参在训练折内网格搜索；修正后 LR 的 AUROC 由 0.82 降至 0.78、recall 由 91.7% 降至 85.4%，说明原记录级方案存在患者内泄漏。
3.6 Na?ve bayes：调 var_smoothing，recall 在测试区间基本不变，最高约 0.8333。3.7 Logistic regression：最大迭代次数增加使 recall 提升，50 次达最大。3.8 K-nearest neighbors：KNN 在 k=27 前 recall 约 0.6，k=28–30 跳到 1.0，但精度低。3.9 Random forest：50 个估计器、random state 30 时 recall 最大。3.10 Evaluation：LR 在四模型中 recall 与 F1 权衡和解释性最好；NB 假设特征独立、KNN 维数灾难、RF 总体弱于 LR。3.10.1 SHAP analysis：对 LR 做全局 beeswarm 与单例 waterfall，并报告预测变量相关性，脉率与心率 r=0.94、方差膨胀因子（Variance Inflation Factor，VIF）=9.8，说明共线会把 SHAP 重要性在相关生命体征间重分配，SHAP 只描述模型内关联非因果。3.10.2 Expanded evaluation metrics：阈值法评价集事件患病率 19.8%，假阳性率 10.7%，阳性预测值（Positive Predictive Value，PPV）68.8%，AUROC 0.81（0.78–0.84），recall 91.7%（88.9%–94.2%），F1 78.6%（75.8%–81.1%）；每患者日假警报数原稿标为需回放告警逻辑后的示意值。3.10.3 Decision threshold：模型二分类用 0.5 概率阈值，部署告警用实时值偏离预测值 10% 的规则，两者不完全等同；用精准率—召回率曲线说明部署规则服务于早期预警，高精准工作点可在警报负担过高时再取。
4 Design and development of the alert system：研究人员造原型系统，通过邮件在心率/脉率实时值超预测值 10% 时告警，10 分钟冷却防刷屏，数据在同态加密下处理。4.1 Process 由心血管专家定 10% 容差，无标注时用该患者变量均值作参考，收缩压/舒张压与体温在此实时流中缺。4.2 Demonstration of the process 用假名 Rita 与伪匿名患者 ID 做单例演示，1072 条记录，心率均 74.4 bpm、脉率均 73.7 bpm，超 10% 即发邮件告警。4.3 System evaluation 两名临床专家 2023 年 6 月 23 日单次结构化演示打分，接受度、易用性、临床影响、组织适配、新技术利用、实用性各项为 4–5 分；但 n=2 不能做统计推论，仅是透明展示，后续应按 DECIDE-AI 做 15–20 名多角色多中心可用性研究。
5 Missingness analysis：比较因生日/种族缺失被删者与保留者，年龄、性别、入院科室、异常事件患病率均无显著差异（p 均不显著），说明已测变量上删除未造成大的选择偏倚，但不能排除未测混杂。
6 Conclusion：研究人员给出两点贡献——其一是 LR 模型在按患者分组向前走窗验证下可提前 75 分钟标危，IQR 法 AUROC 0.78、recall 85.4%，临床阈值法 AUROC 0.81、recall 91.7%；其二是邮件预警原型仅在单例演示与两名医生评审下证明可行，不是已验证临床工具。结论翻译为：本文探索“如何用 ML 准确预测患者超出正常心率的风险并基于 Hospital Santa Maria 临床数据开发预警系统，使医务人员快速高效行动”这一问题；所提方案是（1）在修正验证下提前 75 分钟预警的 LR 模型，（2）与模型集成的原型告警系统。该项工作价值在于急性期与远程监测中争取早期行动、可能缓解医务倦怠并改善预后，但须以前述前瞻性验证为前提。研究人员明确：扩展阈值法到其他三模型、补全校准/共线/扩展指标，以及多中心前瞻验证，是走向部署的具体下一步。
7 Limitations：单中心限制外推；高缺失下虽做纳入/排除比较仍可能有未测偏倚；四模型主结果用 IQR 定义，临床阈值法仅 LR 完整，需补其余三模型；修正交叉验证已解决患者内泄漏；75 分钟仅是 15–120 分钟敏感性中的合理点；告警系统仅 n=2 评审；简单分类器抓不住复杂时间依赖，未来应测长短期记忆网络（Long Short-Term Memory，LSTM）或 XGBoost、LightGBM 并显式构造滞后特征；数据处 COVID-19 期，不一定代表非疫情心血管人群。研究人员最终将其定位为方法学增强的概念验证：按患者分组验证、预测时限敏感分析、终点定义对照直接回应同行评审的方法学担忧，剩余分析与前瞻多中心临床验证是落地前必做环节。
