Dự đoán chuyển bệnh nhân không phù hợp tại giai đoạn trước nhập viện trong các trường hợp nghi ngờ bệnh cảnh cấp cứu tim mạch bằng học máy: một nghiên cứu quan sát hồi cứu

BMC Medical Informatics and Decision Making - Tập 23 Số 1
Ji Hoon Kim1, Bomgyeol Kim2, Min Joung Kim1, Heejung Hyun3, Hyeon Chang Kim2, Hyuk‐Jae Chang4
1Department of Emergency Medicine, Yonsei University College of Medicine, 50 Yonsei-ro, Seodaemun-gu, Seoul 03722, Republic of Korea
2Department of Preventive Medicine, Yonsei University College of Medicine, 50 Yonsei-ro, Seodaemun-gu, Seoul, 03722, Republic of Korea
3AITRICS, 28 Hyoryeong-ro 77-gil, Seocho-gu, Seoul, 06627, Republic of Korea
4Department of Cardiology, Yonsei University College of Medicine, 50 Yonsei-ro, Seodaemun- gu, Seoul, 03722, Republic of Korea

Tóm tắt

Tóm tắt Đặt vấn đề Nghiên cứu này nhằm phát triển một mô hình dự đoán cho việc chuyển bệnh nhân đến bệnh viện không phù hợp trong các trường hợp nghi ngờ bệnh cấp cứu tim mạch ở giai đoạn trước nhập viện, sử dụng các biến lấy từ một cơ sở dữ liệu quốc gia tích hợp, và đánh giá hiệu suất của mô hình này. Phương pháp Chúng tôi đã tích hợp ba cơ sở dữ liệu quốc gia và phát triển một mô hình dự đoán theo hai bước sử dụng thuật toán học máy. Chúng tôi đã sử dụng 98 đặc điểm lâm sàng của bệnh nhân được xác định ở giai đoạn trước nhập viện và 13 thành phần bệnh viện làm dữ liệu đầu vào cho mô hình. Điểm kết thúc chính của mô hình là dự đoán việc chuyển đến bệnh viện không đủ khả năng. Kết quả Tổng cộng có 94.256 bệnh nhân đã được chuyển trong hệ thống chăm sóc trước nhập viện công cộng trùng khớp với dữ liệu của Hệ thống Thông tin Phòng cấp cứu Quốc gia của bệnh nhân có đăng ký tim mạch trước nhập viện được tạo ra ở Hàn Quốc trong khoảng thời gian từ tháng 7 năm 2017 đến tháng 12 năm 2018. Trong số đó, 1.770 (6.26%) bệnh nhân không được chuyển đến bệnh viện đủ khả năng. Diện tích dưới đường cong hoạt động của mô hình dự đoán cuối cùng là 0.813 (0.800–0.825), và diện tích dưới đường cong chính xác – hồi đáp là 0.286 (0.265–0.308). Kết luận Mô hình dự đoán của chúng tôi sử dụng học máy để thể hiện hiệu suất khả quan trong việc chuyển bệnh nhân nghi ngờ mắc bệnh tim mạch đến bệnh viện đủ khả năng. Để kết quả của chúng tôi dẫn đến những thay đổi trong hệ thống chăm sóc trước nhập viện, cần phát triển một nền tảng kỹ thuật số để chia sẻ thông tin theo thời gian thực.

Từ khóa


Tài liệu tham khảo

Anjum S. Systematic approach to acute cardiovascular emergencies. 2018. https://www.intechopen.com/chapters/60421. Accessed 04 Jan 2023.

Murray CJ, Vos T, Lozano R, Naghavi M, Flaxman AD, Michaud C, Ezzati M, Shibuya K, Salomon JA, Abdalla S, et al. Disability-adjusted life years (DALYs) for 291 diseases and injuries in 21 regions, 1990–2010: a systematic analysis for the global burden of Disease Study 2010. Lancet. 2012;380(9859):2197–223.

Bradley EH, Herrin J, Wang Y, Barton BA, Webster TR, Mattera JA, et al. Strategies for reducing the door-to-balloon time in acute myocardial infarction. N Engl J Med. 2006;355(22):2308–20.

Diercks DB, Kontos MC, Chen AY, Pollack CV Jr, Wiviott SD, Rumsfeld JS, et al. Utilization and impact of pre-hospital electrocardiograms for patients with acute ST-segment elevation myocardial infarction: data from the NCDR (National Cardiovascular Data Registry) ACTION (Acute Coronary treatment and intervention outcomes Network) Registry. J Am Coll Cardiol. 2009;53(2):161–6.

Jollis JG, Roettig ML, Aluko AO, Anstrom KJ, Applegate RJ, Babb JD, et al. Implementation of a statewide system for coronary reperfusion for ST-segment elevation myocardial infarction. JAMA. 2007;298(20):2371–80.

Kraft PL, Newman S, Hanson D, Anderson W, Bastani A. Emergency physician discretion to activate the cardiac catheterization team decreases door-to-balloon time for acute ST-elevation myocardial infarction. Ann Emerg Med. 2007;50(5):520–6.

Kurz MC, Babcock C, Sinha S, Tupesis JP, Allegretti J. The impact of emergency physician-initiated primary percutaneous coronary intervention on mean door-to-balloon time in patients with ST-segment-elevation myocardial infarction. Ann Emerg Med. 2007;50(5):527–34.

Park YH, Kang GH, Song BG, Chun WJ, Lee JH, Hwang SY, et al. Factors related to prehospital time delay in acute ST-segment elevation myocardial infarction. J Korean Med Sci. 2012;27(8):864–9.

Frisch A, Heidle KJ, Frisch SO, Ata A, Kramer B, Colleran C, et al. Factors associated with advanced cardiac care in prehospital chest pain patients. Am J Emerg Med. 2018;36(7):1182–7.

Stopyra JP, Harper WS, Higgins TJ, Prokesova JV, Winslow JE, Nelson RD, et al. Prehospital modified HEART score predictive of 30-Day adverse cardiac events. Prehosp Disaster Med. 2018;33(1):58–62.

Wibring K, Herlitz J, Christensson L, Lingman M, Bång A. Prehospital factors associated with an acute life-threatening condition in non-traumatic chest pain patients - a systematic review. Int J Cardiol. 2016;219:373–9.

Rawshani N, Rawshani A, Gelang C, Herlitz J, Bång A, Andersson JO, et al. Association between use of pre-hospital ECG and 30-day mortality: a large cohort study of patients experiencing chest pain. Int J Cardiol. 2017;248:77–81.

Karam N, Bataille S, Marijon E, Giovannetti O, Tafflet M, Savary D, et al. Identifying patients at risk for prehospital sudden cardiac arrest at the early phase of myocardial infarction: the e-MUST study (evaluation en Médecine d’Urgence des Stratégies Thérapeutiques des infarctus du myocarde). Circulation. 2016;134(25):2074–83.

Cho KJ, Kwon O, Kwon JM, Lee Y, Park H, Jeon KH, et al. Detecting patient deterioration using artificial intelligence in a rapid response system. Crit Care Med. 2020;48(4):e285–e9.

Kwon JM, Jeon KH, Kim HM, Kim MJ, Lim S, Kim KH, et al. Deep-learning-based out-of-hospital cardiac arrest prognostic system to predict clinical outcomes. Resuscitation. 2019;139:84–91.

Kwon JM, Lee Y, Lee Y, Lee S, Park J. An algorithm based on deep learning for predicting in-hospital cardiac arrest. J Am Heart Assoc. 2018;7(13).

Ro YS, Shin SD, Lee YJ, Lee SC, Song KJ, Ryoo HW, et al. Effect of dispatcher-assisted cardiopulmonary resuscitation program and location of out-of-hospital cardiac arrest on survival and neurologic outcome. Ann Emerg Med. 2017;69(1):52–61.

Kim EN, Kim MJ, You JS, Shin HJ, Park IC, Chung SP, et al. Effects of an emergency transfer coordination center on secondary overtriage in an emergency department. Am J Emerg Med. 2019;37(3):395–400.

Kim JH, Han SG, Cho A, Shin HJ, Baek SE. Effect of deep learning-based assistive technology use on chest radiograph interpretation by emergency department physicians: a prospective interventional simulation-based study. BMC Med Inform Decis Mak. 2021;21(1):311.

Lundberg SM, Erion G, Chen H, DeGrave A, Prutkin JM, Nair B, et al. From local explanations to global understanding with explainable AI for trees. Nat Mach Intell. 2020;2(1):56–67.

Żurowska-Wolak M, Piekos P, Jąkała J, Mikos M. The effects of prehospital system delays on the treatment efficacy of STEMI patients. Scand J Trauma Resusc Emerg Med. 2019;27(1):39.

Foo CY, Bonsu KO, Nallamothu BK, Reid CM, Dhippayom T, Reidpath DD, et al. Coronary intervention door-to-balloon time and outcomes in ST-elevation myocardial infarction: a meta-analysis. Heart. 2018;104(16):1362–9.

Grzybowski M, Zalenski RJ, Ross MA, Bock B. A prediction model for prehospital triage of patients with suspected cardiac ischemia. J Electrocardiol. 2000;33:253–8.

Kim JH, Kim MJ, You JS, Song MK, Cho SI. Do emergency physicians improve the appropriateness of emergency transfer in rural areas? J Emerg Med. 2018;54(3):287–94.

Holland CM, Lovasik BP, Howard BM, McClure EW, Samuels OB, Barrow DL. Interhospital transfer of neurosurgical patients: implications of timing on hospital course and clinical outcomes. Neurosurgery. 2017;81(3):450–7.

Javat D, Heal C, Banks J, Buchholz S, Zhang Z. Regional to tertiary inter-hospital transfer versus in-house percutaneous coronary intervention in acute coronary syndrome. PLoS ONE. 2018;13(6):e0198272.

Sorensen MJ, von Recklinghausen FM, Fulton G, Burchard KW. Secondary overtriage: the burden of unnecessary interfacility transfers in a rural trauma system. JAMA Surg. 2013;148(8):763–8.

Bible JE, Kadakia RJ, Kay HF, Zhang CE, Casimir GE, Devin CJ. How often are interfacility transfers of spine injury patients truly necessary? Spine J. 2014;14(12):2877–84.

Lee SJ, Choi A, Ryoo HW, Pak YS, Kim HC, Kim JH. Changes in clinical characteristics among febrile patients visiting the emergency department before and after the COVID-19 outbreak. Yonsei Med J. 2021;62(12):1136–44.

Al-Zaiti S, Besomi L, Bouzid Z, Faramand Z, Frisch S, Martin-Gill C, et al. Machine learning-based prediction of acute coronary syndrome using only the pre-hospital 12-lead electrocardiogram. Nat Commun. 2020;11(1):3966.

Kim H, Kim S-W, Park E, Kim JH, Chang H. The role of fifth-generation mobile technology in prehospital emergency care: an opportunity to support paramedics. Health Policy and Technology. 2020;9(1):109–14.

Schwartz JM, George M, Rossetti SC, Dykes PC, Minshall SR, Lucas E, et al. Factors influencing clinician trust in predictive clinical decision support systems for in-hospital deterioration: qualitative descriptive study. JMIR Hum Factors. 2022;9(2):e33960.

Muralitharan S, Nelson W, Di S, McGillion M, Devereaux PJ, Barr NG, et al. Machine learning-based early warning systems for clinical deterioration: systematic scoping review. J Med Internet Res. 2021;23(2):e25187.

Prokhorenkova L, Gusev G, Vorobev A, Dorogush AV, Gulin A. CatBoost: unbiased boosting with categorical features. In: Proceedings of the 32nd International Conference on Neural Information Processing Systems. Montréal, Canada: Curran Associates Inc.; 2018. p. 6639–49.

Shwartz-Ziv R, Armon A. Tabular data: deep learning is not all you need. Inf Fusion. 2022;81(C):84–90.

Thông tin
Thông tin xuất bản

BMC Medical Informatics and Decision Making

Tập 23 Số 1

Thông tin tác giả