室顫波形分析用于預測除顫結果的優(yōu)化方法研究.pdf

1、心臟驟停是指在未能預計的情況下心臟突然停止搏動，從而導致有效的心臟射血功能的突然終止，引起重要器官（如腦）嚴重的缺血、缺氧，如不及時搶救將導致生命終止。80％以上的心臟驟停發(fā)生在院外，它是全世界范圍內引起患者死亡的主要原因之一。每年美國和加拿大兩國因此喪生的人數均超過30萬。統(tǒng)計數據顯示中國每年死于心臟驟停的總人數達55.4萬之多。為了提高心臟驟?；颊叩拇婊盥?，各國科學家和醫(yī)務人員都做出了極大的努力，但是結果仍然令人失望。據報道，歐洲心

2、臟驟?；颊叽婊盥始s為10％-20％，美國約為8-12％，而中國僅為2％。
　　針對心臟驟停的患者，目前主要是通過心肺復蘇(Cardiopulmonary Resuscitation，CPR)進行救治。CPR是針對心臟驟停而采取的一系列救治措施，以建立有效的血液循環(huán)，提高心輸出量，保護心腦等重要器官。盡早CPR和盡早除顫是院外心臟驟停(Out of Hospital Cardiac Arrest，OHCA)患者急救中非常關鍵的兩個步

3、驟，對于患者的自主循環(huán)恢復(Restoration of Spontaneous Circulation，ROSC)以及患者的搶救成功起著至關重要的作用。有研究報道指出，如果進行了胸外按壓的干預，從患者發(fā)生室顫(Ventricular Fibrillation，VF)開始計算，除顫時間每延遲一分鐘，成功率將降低3-4％;而在沒有進行胸外按壓的情況下，每延遲一分鐘，成功率就將降低7-10％。
　　隨著體外除顫儀的廣泛應用，早期除顫對

4、于搶救VF患者的重要性已被廣泛熟知。然而，新的證據表明，并非所有VF患者都可以從相同的治療方式中受益。對動物和心臟驟停的研究都表明，VF發(fā)生后的3分鐘內立即除顫通常會引起ROSC。然而，當VF持續(xù)時間超過4-5分鐘而未得到治療時，在除顫前進行胸外按壓可以提高心臟組織電活動和脈搏恢復的可能性。不必要的電擊不僅減少胸外按壓時間，還可能導致VF惡化為心室靜止(Asystole)或無脈性電活動(Pulseless Electrical Acti

5、vity)，這使得CPR更加困難。另一方面，重復無效的高能量除顫將會導致心肌受損，使得生存幾率降低。由于上述原因，獲得關于心肌的代謝狀態(tài)信息從而優(yōu)化除顫時機，將為個性化的心臟救治提供巨大的益處。
　　為了找出一個更好的除顫和ROSC的預測指標，人們開始關注VF波形的心電圖特征分析。目前常用的自動體外除顫儀（Autometic External Defibrillator，AED）無一例外地都會獲取心電圖波形。從身體表面記錄到的心電

6、圖信號是由心臟的每個心肌單元產生的所有電場的疊加。據推測，體表組織的心電圖與心肌組織的電活動具有某些關系。因為VF波形的特征隨著時間和CPR變化，并且具有對除顫成功的預測能力，所以對VF波形的定量分析可以被用來預測VF的持續(xù)時間和電擊除顫成功的概率，從而優(yōu)化除顫的時機，并最終指導CPR。
　　近年來，各種數字信號處理方法，包括時域分析法、頻域分析法、時頻分析法、非線性分析法和組合分析法，被用于VF信號的波形特征分析，并進一步用于預

7、測OHCA患者除顫結果的研究。
　　雖然在動物實驗和臨床研究中，VF波形分析已在對除顫結果的預測方面取得了一定的進展，但要實現在臨床實踐中對除顫時機的優(yōu)化還有一定的距離，主要體現在以下幾個方面。
　　1、雖然在過去的二十年里，人們已經研究了許多VF特征用于預測除顫結果，包括時域、頻域和非線性方法等，但只有少量研究通過使用機器學習的策略，來試圖結合不同VF波形特征以提高預測性能。多元預測特征組合與單一預測特征相比，是否能夠提高

8、除顫結果的預測能力仍然沒有定論。
　　2、由于通過提供互補的信息結合多個VF波形特征可以提高對除顫結果的預測能力，一些研究已嘗試使用機器學習理論結合不同特征來提高預測性能。早期試驗把VF波形特征與臨床因子相結合，如患者的年齡、性別和救護車響應時間等，但預測性能沒有得到明顯改善。因此，但是否結合患者的內在信息可以提高除顫預測的準確性仍然是一個需要進行研究的課題。
　　3、雖然VF波形分析已被證明能提高對除顫結果的預測能力，并可

9、以作為優(yōu)化除顫時機的一種有效的方案，但由于缺乏對除顫和CPR成功的統(tǒng)一定義，使得很難對兩個預測因子的性能進行比較。
　　4、在臨床應用中，電擊除顫的效率高度依賴于所使用的除顫波形。每當新的除顫波形或技術問世，它們的效率需要被準確的評估，并和現有的方法進行比較。目前比較除顫效率的普通方法是評估和比較個體除顫閾值(Defibrillation Threshold，DFT)，這種方法構建劑量響應曲線或應用上下閾值法。因為這種方法是通過計

10、算重復序列的電擊除顫，不可避免的會產生每一次測量和每一個體的差異，這就在平行比較時產生了相當大的不確定性。
　　針對這些問題，本研究的目的是優(yōu)化用于預測除顫結果的VF波形分析方法。本研究的主要工作包括：
　　1.研究了組合多種VF波形特征對除顫結果預測性能的影響。
　　選擇和計算了16種在以前的臨床研究中具有良好預測能力的心電圖波形特征的組合，通過不同的機器學習策略（包括邏輯回歸、人工神經網絡和支持向量機），對1617

11、名患者的3828次除顫進行研究，以提高預測除顫結果的能力。通過受試者工作特征曲線(Receiver Operating Characteristic Curve，ROC)、ROC下面積(Area Under ROC Curve，AUC)、靈敏度(Sensitivity)、特異性(Specificity)、陽性預測率(Positive Predictive Value)、陰性預測率(Negative Predictive Value)和預

12、測準確率(Prediction Accuracy)等指標來評估預測能力。1050名患者的2447次除顫數據作為訓練集，567名患者的1381次除顫數據作為驗證集。通過對大量的OHCA患者的研究表明，與VF波形幅度相關特征比其他特征擁有更好的預測除顫結果的能力。與單一特征相比，組合多個特征并沒有進一步提高預測性能。
　　2.研究了結合患者除顫相關信息對除顫結果預測性能的影響。
　　分析了來自199名OHCA患者的總共528次除

13、顫。使用幅度譜面積(Amplitude Spectral Area，AMSA)來量化在每次除顫之前的VF波形。通過神經網絡結合前一次除顫指數(Previous Shock Index)與AMSA和△AMSA（連續(xù)兩次除顫間AMSA的變化量）對來自99名患者的255次連續(xù)除顫的訓練數據集進行測試。在包含100名患者的273次除顫的驗證數據集中，通過AUC、靈敏度、陽性預測率、陰性預測率和預測準確率等指標，將組合方法的性能與基于單一預測特征

14、的AMSA的性能進行了比較。在這項回顧性研究中，使用神經網絡結合AMSA與前一次的除顫信息顯著提高了對后續(xù)除顫結果的預測性能。
　　3.研究了除顫成功的定義對除顫結果預測能力的影響。
　　對以VF為初始節(jié)律的257名OHCA患者的554次除顫進行分析。在120秒連續(xù)的時間段內，每5秒對電擊除顫后的節(jié)律進行分析，并注釋為VF、心室靜止和節(jié)律性心電（Organized Rhythm）。三個除顫成功的定義被用于評價AMSA的預測能

15、力：(1)室顫終止(Termination of VF，ToVF);(2)有節(jié)律電活動恢復(Return of Organized Electrical Activity，ROEA);(3)潛在灌注節(jié)律恢復(Return of a Potentially Perfusing Rhythm，RPPR)。對于OHCA患者，除顫后1分鐘內節(jié)律不穩(wěn)定。AMSA預測性能的變化取決于除顫成功的定義，而且RPPR是一個更具有臨床意義的觀察終點。

16、>　　4.提出了一種用于比較不同除顫波形效率的組合上下閾值法。
　　首先通過理論證明：兩個不同的劑量響應曲線之間的差值，可以利用另外一條虛擬的劑量響應曲線下的面積來估計。然后，詳細說明了組合上下閾值法的實驗過程。最后，在一個成年豬的心臟驟停模型中使用該方法來比較兩種常用的雙相除顫波形的除顫效率。組合上下閾值法和傳統(tǒng)的方法相比更加靈敏，同時只需要更少的除顫次數即可完成比較。
　　本文首次通過研究組合多種VF波形特征以及結合患者