簡介：

目前很少有模型可用於針對新冠肺炎而於急診室就診的患者進行院內心跳停止的風險評估。通過使用機器學習方法，我們旨在開發和驗證我們所發展的模型，以預測從急診入院的患者的院內心跳停止。

我們假設機器學習方法可以作為一種有價值的工具，以及時識別有院內心跳停止風險的患者。我們納入了 2020 年 3 月至 11 月期間在德克薩斯州五家醫院的急診室收治的新冠肺炎患者，包含所有成年（≥18 歲）患者的 SARS-CoV-2 RT-PCR 呈陽性並且還接受了疑似肺炎的 CXR 檢查。

從電子病歷系統中檢索了患者的人口統計學、既往病史、急診檢傷時的生命徵象、胸部X光影像和實驗室結果。主要預後指標為院內心跳停止，可以透過急救代碼而取得。如果病患到院前已經心跳停止，或是沒有進行任何血液檢測者則被排除在外。

使用基於不同醫院的的非隨機分拆策略，我們將數據集以大約 2 比 1 的比例分為訓練集(一個城市和兩個郊區醫院)和測試集(一個城市和一個郊區醫院)。我們訓練了三種監督式的機械學習模型，並通過接收者操作特徵曲線 (AUC) 下的面積對模型性能進行評估，並與英國國家早期預警評分系統 (NEWS) 進行比較。

結果：

我們總共納入了 1,485 個記錄進行分析。其中，190 人(12.8%)發生院內心跳停止。在構建的機械學習模型模型中，隨機森林以最佳 AUC 結果(0.930，95% CI：0.896-0.958)優於其他模型，其次是梯度提升(0.929，95% CI：0.891-0.959)和額外樹分類器(0.909， 95% CI：0.875-0.943)。

所有構建的機械學習的表現都明顯優於使用 NEWS 評分系統(AUC：0.787，95% CI：0.725-0.840)。前六個選擇的重要特徵是年齡、檢傷時的血氧飽和度以及部份凝血活酶時間、乳酸和乳酸脫氫酶的實驗室數據。

結論：

機械學習方法在識別新冠肺炎患者的院內心跳停止方面表現了出色的鑑別性能。如果可以在電子病歷系統中成功實施，有機會挽救更多生命或提供病患臨終前的醫療決策。