基于神经网络模型和遗传算法构建院内心跳骤停风险预测模型

In-hospital cardiac arrest is a major cause of hospital death, which can lead to medical dispute. Early prediction of cardiac arrest can help to prevent or prepare to rescue the patients. There is variety prediction models being developed for the prediction of in-hospital cardiac arrest, which however is developed with conventional generalized linear model, with its inherent limitations such as local optimal, requirement of linear assumption. These downsides limited their prediction accuracy, which is at best to be 70-80%. A retrospective cohort will be extracted.from the electronic healthcare records. Enrolled patients are those at high risk of in-hospital cardiac arrest (age>60 years old, renal insufficiency, myocardial infarction or ischemia, organ dysfunctions). In-hospital information are extracted from laboratory, medical imaging, electronic healthcare records, and bedside monitoring systems within 24 hours after hospital admission. Neural network model will be developed with genetic algorithm for the prediction of cardiac arrest. The model will be validated in a prospective cohort. The prediction accuracy in the prospective cohort is expected to be over 90%.

院内心跳骤停（in-hospital cardiac arrest）是住院患者意外死亡的一大重要因素，如能早期预测患者发生心跳骤停，则能及时采取预防和干预措施，提高救治成功率。目前国内外研究学者开发出了不少预测院内心跳骤停的模型，但这些算法大都基于广义线性模型，不能充分考虑危险因素间的交互，容易陷入局部最优，因此这类模型精度在70~80%左右。我们选取存在心跳骤停的高危住院患者，入选标准包括：年龄>60岁；心梗/心肌缺血表现；合并有脏器功能不全的；脑血管意外。从电子病历中提取这些患者数据信息（信息来自检验系统、医学影像系统、His系统、血压监测仪、血氧监测仪等），这些数据信息采集时间窗限定于入院24小时内。用遗传算法对结局事件有影响的变量进行全局筛查，同时在遗传算法中嵌入神经网络模型，拟合获得的模型在前瞻性队列中加以验证，期望外部验证准确率90%以上。

院内心跳骤停（in-hospital cardiac arrest）是住院患者意外死亡的一大重要因素，如能早期预测患者发生心跳骤停，则能及时采取预防和干预措施，提高救治成功率。我们选取存在心跳骤停的高危住院患者，入选标准包括：年龄>60岁；心梗/心肌缺血表现；合并有脏器功能不全的；脑血管意外。用遗传算法对结局事件有影响的变量进行全局筛查，同时在遗传算法中嵌入神经网络模型，拟合获得的模型在前瞻性队列中加以验证，期望外部验证准确率90%以上。在研究期间我们获取了2500例的院内心脏骤停高危患者，在院期间发生心脏骤停次数为121次，我们从电子病历中提取这些患者数据信息（信息来自检验系统、医学影像系统、His系统、血压监测仪、血氧监测仪等），这些数据信息采集时间窗限定于入院24小时内。并训练了预测模型，内部验证该神经网络模型的准确性AUC=83%；其中重要的可用来预测院内心跳骤停的变量包括了年龄、基础疾病累计评分（Charlson评分）、是否合并冠心病基础、是否入住ICU、初始SOFA评分等。另外，我们也对该队列进行了亚组分析，把人群限制在有ARDS的患者，并用遗传算法对结局事件有影响的变量进行全局筛查，同时在遗传算法中嵌入神经网络模型，结果获得了一个较好的预测死亡结局的神经网络模型。该模型的内部准确性达到了0.743，而传统的APACHE III评分其准确性仅为0.665.