心脏骤停是指在未能预计的情况下心脏突然停止搏动,从而导致有效的心脏射血功能的突然终止,引起重要器官(如脑)严重的缺血、缺氧,如不及时抢救将导致生命终止。80%以上的心脏骤停发生在院外,它是全世界范围内引起患者死亡的主要原因之一。每年美国和加拿大两国因此丧生的人数均超过30万。统计数据显示我国每年死于心脏骤停的总人数达55.4万之多。为了提高心脏骤停患者的存活率,各国科学家和医务人员都做出了极大的努力,但是结果仍然令人失望。据报道,欧洲心脏骤停患者存活率约为10%-20%,美国约为8-12%,而我国仅为2%。针对心脏骤停的患者,目前主要是通过心肺复苏(Cardiopulmonary Resuscitation,CPR)进行救治。CPR是针对心脏骤停而采取的一系列救治措施,以建立有效的血液循环,提高心输出量,保护心脑等重要器官。尽早CPR和尽早除颤是院外心脏骤停(Out of Hospital Cardiac Arrest,OHCA)患者急救中非常关键的两个步骤,对于患者的自主循环恢复(Restoration of Spontaneous Circulation,ROSC)以及患者的抢救成功起着至关重要的作用。有研究报道指出,如果进行了胸外按压的干预,从患者发生室颤(Ventricular Fibrillation,VF)开始计算,除颤时间每延迟一分钟,成功率将降低3-4%;而在没有进行胸外按压的情况下,每延迟一分钟,成功率就将降低7-10%。随着体外除颤仪的广泛应用,早期除颤对于抢救VF患者的重要性已被广泛熟知。然而,新的证据表明,并非所有VF患者都可以从相同的治疗方式中受益。对动物和心脏骤停的研究都表明,VF发生后的3分钟内立即除颤通常会引起ROSC。然而,当VF持续时间超过4-5分钟而未得到治疗时,在除颤前进行胸外按压可以提高心脏组织电活动和脉搏恢复的可能性。不必要的电击不仅减少胸外按压时间,还可能导致VF恶化为心室静止(Asystole)或无脉性电活动(Pulseless Electrical Activity),这使得CPR更加困难。另一方面,重复无效的高能量除颤将会导致心肌受损,使得生存几率降低。由于上述原因,获得关于心肌的代谢状态信息从而优化除颤时机,将为个性化的心脏救治提供巨大的益处。为了找出一个更好的除颤和ROSC的预测指标,人们开始关注VF波形的心电图特征分析。目前常用的自动体外除颤仪(Autometic External Defibrillator,AED)无一例外地都会获取心电图波形。从身体表面记录到的心电图信号是由心脏的每个心肌单元产生的所有电场的叠加。据推测,体表组织的心电图与心肌组织的电活动具有某些关系。因为VF波形的特征随着时间和CPR变化,并且具有对除颤成功的预测能力,所以对VF波形的定量分析可以被用来预测VF的持续时间和电击除颤成功的概率,从而优化除颤的时机,并最终指导CPR。近年来,各种数字信号处理方法,包括时域分析法、频域分析法、时频分析法、非线性分析法和组合分析法,被用于VF信号的波形特征分析,并进一步用于预测OHCA患者除颤结果的研究。虽然在动物实验和临床研究中,VF波形分析已在对除颤结果的预测方面取得了一定的进展,但要实现在临床实践中对除颤时机的优化还有一定的距离,主要体现在以下几个方面。1、虽然在过去的二十年里,人们已经研究了许多VF特征用于预测除颤结果,包括时域、频域和非线性方法等,但只有少量研究通过使用机器学习的策略,来试图结合不同VF波形特征以提高预测性能。多元预测特征组合与单一预测特征相比,是否能够提高除颤结果的预测能力仍然没有定论。2、由于通过提供互补的信息结合多个VF波形特征可以提高对除颤结果的预测能力,一些研究已尝试使用机器学习理论结合不同特征来提高预测性能。早期试验把VF波形特征与临床因子相结合,如患者的年龄、性别和救护车响应时间等,但预测性能没有得到明显改善。因此,但是否结合患者的内在信息可以提高除颤预测的准确性仍然是一个需要进行研究的课题。3、虽然VF波形分析已被证明能提高对除颤结果的预测能力,并可以作为优化除颤时机的一种有效的方案,但由于缺乏对除颤和CPR成功的统一定义,使得我们很难对两个预测因子的性能进行比较。4、在临床应用中,电击除颤的效率高度依赖于所使用的除颤波形。每当新的除颤波形或技术问世,它们的效率需要被准确的评估,并和现有的方法进行比较。目前比较除颤效率的普通方法是评估和比较个体除颤阈值(Defibrillation Threshold,DFT),这种方法构建剂量响应曲线或应用上下阈值法。因为这种方法是通过计算重复序列的电击除颤,不可避免的会产生每一次测量和每一个体的差异,这就在平行比较时产生了相当大的不确定性。针对这些问题,本研究的目的是优化用于预测除颤结果的VF波形分析方法。本研究的主要工作包括:1.研究了组合多种VF波形特征对除颤结果预测性能的影响。选择和计算了16种在以前的临床研究中具有良好预测能力的心电图波形特征的组合,通过不同的机器学习策略(包括逻辑回归、人工神经网络和支持向量机),对1617名患者的3828次除颤进行研究,以提高预测除颤结果的能力。通过受试者工作特征曲线(Receiver Operating Characteristic Curve,ROC)、ROC下面积(Area Under ROC Curve,AUC)、灵敏度(Sensitivity)、特异性(Specificity)、阳性预测率(Positive Predictive Value)、阴性预测率(Negative Predictive Value)和预测准确率(Prediction Accuracy)等指标来评估预测能力。1050名患者的2447次除颤数据作为训练集,567名患者的1381次除颤数据作为验证集。通过对大量的OHCA患者的研究表明,与VF波形幅度相关特征比其他特征拥有更好的预测除颤结果的能力。与单一特征相比,组合多个特征并没有进一步提高预测性能。2.研究了结合患者除颤相关信息对除颤结果预测性能的影响。分析了来自199名OHCA患者的总共528次除颤。使用幅度谱面积(Amplitude Spectral Area,AMSA)来量化在每次除颤之前的VF波形。通过神经网络结合前一次除颤指数(Previous Shock Index)与AMSA和ΔAMSA(连续两次除颤间AMSA的变化量)对来自99名患者的255次连续除颤的训练数据集进行测试。在包含100名患者的273次除颤的验证数据集中,通过AUC、灵敏度、阳性预测率、阴性预测率和预测准确率等指标,将组合方法的性能与基于单一预测特征的AMSA的性能进行了比较。在我们这项回顾性研究中,使用神经网络结合AMSA与前一次的除颤信息显著提高了对后续除颤结果的预测性能。3.研究了除颤成功的定义对除颤结果预测能力的影响。对以VF为初始节律的257名OHCA患者的554次除颤进行分析。在120秒连续的时间段内,每5秒对电击除颤后的节律进行分析,并注释为VF、心室静止和节律性心电(Organized Rhythm)。三个除颤成功的定义被用于评价AMSA的预测能力:(1)室颤终止(Termination of VF,ToVF);(2)有节律电活动恢复(Return of Organized Electrical Activity,ROEA);(3)潜在灌注节律恢复(Return of a Potentially Perfusing Rhythm,RPPR)。对于OHCA患者,除颤后1分钟内节律不稳定。AMSA预测性能的变化取决于除颤成功的定义,而且RPPR是一个更具有临床意义的观察终点。4.提出了一种用于比较不同除颤波形效率的组合上下阈值法。我们首先通过理论证明:两个不同的剂量响应曲线之间的差值,可以利用另外一条虚拟的剂量响应曲线下的面积来估计。然后,我们详细说明了组合上下阈值法的实验过程。最后,我们在一个成年猪的心脏骤停模型中使用该方法来比较两种常用的双相除颤波形的除颤效率。组合上下阈值法和传统的方法相比更加灵敏,同时只需要更少的除颤次数即可完成比较。本文首次通过研究组合多种VF波形特征以及结合患者除颤相关信息对除颤结果预测能力的影响,并探讨了除颤成功的定义对除颤结果预测能力的影响,以期提高基于VF波形分析的除颤结果预测方法。研究结果表明:组合多个VF波形特征并不能进一步提高除颤结果的预测能力,但结合患者除颤相关信息显著提高了对后续除颤结果的预测性能,且除颤成功的定义会影响VF波形特征对除颤结果的预测性能。这些结果为进一步优化CPR和电击除颤,为有效提高CPR的成功率提供了可行的解决方案。