中华急诊医学杂志  2022, Vol. 31 Issue (3): 414-417   DOI: 10.3760/cma.j.issn.1671-0282.2022.03.030
院外心脏骤停预测模型研究进展
王军红 , 马青变     
北京大学第三医院急诊科,北京 100191

院外心脏骤停(out-of-hospital cardiac arrest,OHCA)需要进行紧急处理来挽救生命。全球每年有百万患者发生OHCA,OHCA是死亡的主要原因之一,其发病率和预后在全球范围内差异很大[1]。尽管在心肺复苏(cardiopulmonary resuscitation,CPR)及复苏后治疗方面已经取得了很大进展,OHCA的出院生存率仍仅有6%左右[2]。在资源有限的医院中,如何使用最低成本产生最大复苏效果是及其重要的。预测评估的重要意义在于避免对可能具有治疗前景的患者不恰当的终止治疗,同时也避免对无救治前景的患者进行过多无谓治疗。准确评估预后是提高救治效率、改善预后、维持患者尊严和减轻疾病负担的重要方法[3]

根据体外生命支持组织提供的数据,截止2021年4月,成人体外心肺复苏(extracorporeal cardiopulmonary resuscitation,ECPR)已经实施10 115例,能够出院或者等到器官移植者可达29%[4]。美国心脏协会心肺复苏(cardiopulmonary resuscitation,CPR)指南中建议:在能够快速施ECPR的医疗机构中,对于存在可逆病因的心脏骤停(cardiac arrest,CA)患者,可以为这些患者实施ECPR[3]。目标温度管理(targeted temperature management, TTM)是CPR后仍昏迷的患者的一项重要治疗措施,能够改善OHCA患者的神经预后,合适的OHCA患者均需要该治疗[5]。但是ECPR和TTM技术实施复杂,且医疗消费高额,临床医生在选择患者时除考虑技术的适应证和禁忌证外,还需要考虑和评估此类患者的预后,具有多种不利复苏特征的患者不太可能从积极的侵入性管理中获益。

近年来关于OHCA患者预后因素的研究层出不穷,影响OHCA的预后因素包括年龄、目击者CA、旁观者心肺复苏(bystander cardiopulmonary resuscitation,BCPR)、无血流持续时间、初始心律以及CPR持续时间等。不同预后因素对患者预测的影响效益不同,目前已有文献评估这些变量的相对权重,以期能够有效的早期预测并对患者进行危险分层,帮助指导OHCA患者的管理。本文总结近年来文献发表的部分OHCA预测模型,见表 1

表 1 本文涉及的院外心脏骤停预后模型简介
第一作者, 发表年份 模型名称 纳入时间 地点 建模样本 研究设计 参数 首要结局 计算方法 验证方法
Grasner JT, 2011[6] RACA 1998-2008 多中心,德国 5 471 前瞻性队列研究 性别、年龄≥80岁、有目击者、心脏停搏、地点、可疑病因、BCPR、从心脏骤停到专业人员到达时间 ROSC 评分 外部验证
Ji C, 2021[9] 2014 多中心,英国 17 528 回顾性队列研究 年龄、性别、目击者/BCPR、病因、初始心律 ROSC 方程 外部验证
Baldi E, 2020[10] UB-ROSC 2015-2017 多中心,意大利,瑞士 1 962 前瞻性队列研究 性别、年龄、病因、地点、是否有BCPR、初始心律、EMS的到达时间 到达医院时生存 评分 内部验证、外部验证
Balan P, 2019[11] CASS 2007-2015 多中心,美国 2 685 回顾性分析研究 年龄、目击者心脏骤停、BCPR、在家CA、初始心律 出院时生存 评分 外部验证
Zhai QR, 2020[13] 2014.7-2016.12 单中心,中国 61 回顾性分析研究 DIC评分、NSE 出院时生存 回归系数 内部验证
Seewald S, 2020[14] CRASS   2010-2016 多中心,德国 7 985 回顾性队列研究 年龄、初始心律、病因、机械心肺复苏、既往无疾病或轻微疾病、使用肾上腺素、使用胺碘酮、到达医院时持续心肺复苏或血压正常、目击者心脏骤停、心脏骤停发生的场所、从心脏骤停到开始CPR的时间、心肺复苏持续时间 出院时CPC 评分 外部验证
Shih HM, 2019[15] SWAP 2015.1-2017.7 单中心,中国台湾 852 前瞻性队列研究 初始心律、年龄、目击者CA、PH 出院时CPC 评分 外部验证
Shin SM, 2018[16] FFT 2013.12-2017.8 多中心,韩国 228 回顾性队列研究 院前出现ROSC、对光反射固定及心源性病因 28天CPC 决策树 外部验证
Goto Y, 2013[17] 2005-2008 多中心,日本 307 896 回顾性队列研究 可电击的初始节律、年龄、目击者心脏骤停和EMS人员见证 1月CPC 决策树 外部验证
1 院外心脏骤停患者恢复自主循环预测模型

恢复自主循环(return of spontaneous circulation,ROSC)代表了早期复苏的即时成功。不同紧急医疗服务(emergency medical service, EMS)报告的OHCA患者获得ROSC率也有很大不同,这可能与全球范围内EMS系统的特点不同相关。Grasner等[6]利用德国复苏注册中心1998—2008年的5 471例OHCA患者数据,提出RACA评分,P (ROSC)= 1 /(1 + e-X),X与如下因素正相关或负相关:男性(-0.2);年龄≥80年(-0.2);非专业人士目击(+0.6)和专业人士目击(+0.5);心脏停搏(-1.1);CA发生于医生办公室(+1.2)、医疗机构(+0.5)、公共场所(+0.3)和养老院(-0.3);可疑病因为缺氧(+0.7)、中毒(+0.5)和创伤(+0.6);专业人员到达的时间(每分钟-0.04)。该研究另取2009年到2010年的2 218例患者进行验证,发现实际ROSC率为43.8%,预测ROSC率为43.7%,两者差展无统计学意义。这是专门为德国复苏注册中心开发的第一个质量管理工具,在其他国家也被用作质量管理工具[7]。平均的ROSC率可作为对比的基础。在操作质量高的EMS中心,观察到的ROSC率通常高于预测的ROSC率。如果观察到的ROSC率低于预测的ROSC率,则提示EMS中心的操作质量不佳,需要进一步进行CPR的质量控制。如果进行其他人群的ROSC预测,RACA评分允许在质量管理时将预测ROSC和观察到的ROSC比较来进行风险调整以调整评分。Liu等[8]使用2009—2012年几个亚洲国家和地区的成年OHCA患者数据对RACA评分进行验证。该研究共纳入了63 059例患者,由于该队列ROSC率较低(8.2%),RACA评分与原始常数回归系数的校准较差。当校正了常数系数以调整亚洲与欧洲ROSC率的差异后,RACA的校准性能显著改善。RACA评分显示出与德国研究相似的预测评估能力。RACA评分可以成为评估急救系统的有力工具,但该方程的常数系数可能需要根据当地的历史数据进行校正。

英国学者[9]使用该国OHCA结局注册系统回顾2014—2015年的数据,共纳入17 528例患者数据用于探索模型,17 078例患者数据用于验证模型。该研究总结出2个模型,分别是EMS在移交OHCA患者至医院时能否出现ROSC的预测模型和出院时的生存模型,模型中涉及的预后因素包括年龄、性别、目击者/BCPR、病因、初始心律。生存模型的分辨率和准确性分别为0.86和0.072。

Baldi等[10]利用1 962例OHCA患者的资料探索出预测到达医院时生存的UB-ROSC评分,性别、年龄、病因、地点、BCPR、初始心律、EMS的到达时间为独立预测因素,纳入了评分系统。该评分在预测住院时生存率方面表现出良好的分辨率(AUC 0.83, 95%CI 0.81~0.85)。

2 院外心脏骤停患者出院生存预测模型

Balan等[11]利用美国休斯顿消防局登记处记录的信息,评估OHCA且获得持续ROSC的成人患者的存活出院的可能性,得出了CASS评分。该评分纳入5个预后因素,年龄 > 75岁、无目击者CA、在家CA、无BCPR、非可电击初始心律分别记3分、4分、2.5分、2.5分及8分,相加之和为总分。CASS评分越高,则患者存活出院的可能性越低。该评分受试者工作特征曲线下面积(area under curve,AUC)为0.7081。该模型中采用的预测因素具有客观性、二元性和快速获得性的特点,然而这些指标只是OHCA患者复杂情况中的静态快照,无法反映整个住院过程中的临床演变,该评分在指导临床管理决策方面的效用可能仅限于初始阶段。PH值、乳酸、肝肾功能等参数能够评估患者到达医院时脏器的损伤程度。颅脑成像和脑电图可能会进一步提高预测模型的准确性。模型中的这些指标能够使临床医生对患者的预后做出快速判断。

CA患者体内凝血/抗凝系统、纤溶/抗纤溶系统激活。DIC能够使脑微循环恶化、缺血缺氧,从而导致NSE升高。识别、检测和治疗CA过程中及CA后凝血功能紊乱对于提高CA生存率非常重要[12]。Zhai等[13]利用弥漫性血管内凝血评分和神经元特异性烯醇化酶(Neuron specific enolase,NSE)浓度来评估患者出院生存可能。研究共纳入61例患者,发现48 h DIC评分与24 h NSE相结合的AUC为0.869(95%CI,0.781~0.956),48 h DIC评分与48 h NSE相结合的AUC为0.878(95%CI,0.791-0.965),48 h DIC评分与72 h NSE相结合的AUC为0.882(95%CI,0.792~0.972),提示可依据48 h DIC评分及3天内NSE对患者预后进行大致判断。

3 院外心脏骤停患者神经功能预测模型

CA患者家属重点考虑的是患者是否能够神经功能良好的存活,神经功能恢复不良会造成巨大的家庭负担及社会负担,此类患者后续还可能继发其他疾病,如坠积性肺炎、褥疮等,因此良好的神经功能结局至关重要。ROSC后的神经预测方法包括临床评估、实验室检查和生物标记物等。对于提示不良结局的结果,需警惕假阳性的影响。因为假阳性可能导致有恢复可能的患者终止治疗,建议采用多模式神经预测的策略[3]。德国学者利用该国复苏注册中心2010—2016年7 985例OHCA患者信息构建出院时神经功能良好的预测模型,称为CRASS,P=1/(1+e-X),X定义为常数0.8与以下变量的和:年龄61~70岁(-0.5)、71~80(-0.9)、81~90(-1.3)和≥91(-2.3);初始电机械分离(-0.9)和心脏停搏(-1.4);CA的病因可能的创伤(-1.1);机械心肺复苏(-0.3);应用肾上腺素1 mg(-1.1)、2~3 mg(-1.6)、4~5 mg(-2.1)、6~7 mg(-2.5)和≥8mg(-2.8);无既往疾病(+0.5)或轻微疾病(+0.2);CA发生于养老院(-0.6)、工作场所/学校(+0.7)、医生办公室(+0.7)和公共场所(+0.3);使用胺碘酮(+0.4);到达医院时持续心肺复苏(-1.9)或血压正常(+0.4)入院;目击者CA(+0.6);从CA到开始CPR的时间2~9 min(-0.3)和≥10 min(-0.5);心肺复苏持续时间 < 5 min(+0.6)。训练集的AUC为0.88(95%置信区间:0.87~0.89),验证集的AUC为0.88(95%置信区间:0.86~0.90)。该模型纳入的病例包括已经获得ROSC的患者和入院时正在进行CPR的患者。因此可适用于所有患者。该评分允许对预测结果和观察结果进行风险调整比较,以适用于其他医疗中心。该评分并不是分类评分,也不是计算单个患者结果的工具,而是作为医疗质量评估工具,用于调查不同的治疗策略和医疗制度[14]。如果观察到的某医疗机构实施的OHCA患者经治疗后神经功能良好的存活率高于预测的存活率,则说明该医疗机构的治疗效果优于预期。此外,CRASS还可以用于客观评估某临床治疗措施的效果。例如,OHCA患者经皮冠状动脉造影后神经功能良好的出院率高于预测率。

Shih等[15]构建的SWAP评分来评估患者出院时神经功能预后,该评分中有4个参数,初始非可电击心律、无目击者CA、年龄大于60岁以及pH≤7.0各计1分,当SWAP评分为4分时特异性为97.14% (95% CI 91.62%~100%)。这一评分相对简单,且均使用容易获得的资料。

Shin等[16]纳入多个医疗中心注册的OHCA患者信息,主要结局为28 d神经预后,使用决策树的方法对患者进行预测判断,院前出现ROSC、对光反射固定及心源性病因作为节点,在训练集中,该决策树预测神经系统良好预后的敏感性、特异性、阳性预测值和阴性预测值分别为100%(42/42)、64.0%(119/186)、38.5%(42/109)和100%(119/119)。

Goto等[17]使用日本火灾和灾害管理局2005—2009年的非创伤OHCA患者数据,开发出了一个决策树,可电击初始心律、年龄 < 70岁、目击者CA和EMS人员目击作为节点,将预后结果分为良好、较好、较差、很差4组,训练集AUC为0.85(95%CI 0.85~0.86)。在很差组和良好组中,OHCA1月后CPC1-CPC2的预测率分别为0.3%和23.2%。

OHCA仍然是一个复杂的问题,需要协调大量资源用于改善生存和预后。OHCA生存链的各个环节需要紧密连接,从基础生命支持,接下来快速分诊到有诊治能力医院进行后续治疗,并确定可能受益于积极的侵入性治疗的合适患者。及时并适当的选择患者成为OHCA患者管理的重要组成部分。风险预测模型在临床工作中具有明显的需求,对患者进行适当分类有助于识别针对特定患者亚群的治疗,从而改善患者管理。目前我国已有学者对心肺复苏的预后因素进行研究,并对预测模型工具进行了初步探索,但仍缺乏高级别研究证据,这可能是今后研究的方向。

利益冲突   所有作者声明无利益冲突

参考文献
[1] Berdowski J, Berg RA, Tijssen JG, et al. Global incidences of out-of-hospital cardiac arrest and survival rates: Systematic review of 67 prospective studies[J]. Resuscitation, 2010, 81(11): 1479-1487. DOI:10.1016/j.resuscitation.2010.08.006
[2] Gräsner JT, Bossaert L. Epidemiology and management of cardiac arrest: what registries are revealing[J]. Best Pract Res Clin Anaesthesiol, 2013, 27(3): 293-306. DOI:10.1016/j.bpa.2013.07.008
[3] Berg KM, Soar J, Andersen LW, et al. Adult advanced life support: 2020 international consensus on cardiopulmonary resuscitation and emergency cardiovascular care science with treatment recommendations[J]. Circulation, 2020, 142(16_suppl_1): S92-S139. DOI:10.1161/CIR.0000000000000893
[4] Extracorporeal Life Support Organization. ECLS registry report & International Summary of Statistics[EB/OL]. (2021-10-19)[2021-10-25] https://www.elso.org/Registry/InternationalSummaryandReports/InternationalSummary.aspx.
[5] 中国医师协会急诊医师分会, 中国医药教育协会急诊医学专业委员会, 成人急危重症脑损伤患者目标温度管理临床实践专家共识组. 成人急危重症脑损伤患者目标温度管理临床实践专家共识[J]. 中华急诊医学杂志, 2019, 28(3): 282-291. DOI:10.3760/cma.j.issn.1671-0282.2019.03.003
[6] Gräsner JT, Meybohm P, Lefering R, et al. ROSC after cardiac arrest: The RACA score to predict outcome after out-of-hospital cardiac arrest[J]. Eur Heart J, 2011, 32(13): 1649-1656. DOI:10.1093/eurheartj/ehr107
[7] Lukas RP, Gräsner JT, Seewald S, et al. Chest compression quality management and return of spontaneous circulation: a matched-pair registry study[J]. Resuscitation, 2012, 83(10): 1212-1218. DOI:10.1016/j.resuscitation.2012.03.027
[8] Liu N, Ong MEH, Ho AFW, et al. Validation of the ROSC after cardiac arrest (RACA) score in Pan-Asian out-of-hospital cardiac arrest patients[J]. Resuscitation, 2020, 149: 53-59. DOI:10.1016/j.resuscitation.2020.01.029
[9] Ji C, Brown TP, Booth SJ, et al. Risk prediction models for out-of-hospital cardiac arrest outcomes in England[J]. Eur Heart J Qual Care Clin Outcomes, 2021, 7(2): 198-207. DOI:10.1093/ehjqcco/qcaa019
[10] Baldi E, Caputo ML, Savastano S, et al. An Utstein-based model score to predict survival to hospital admission: The UB-ROSC score[J]. Int J Cardiol, 2020, 308: 84-89. DOI:10.1016/j.ijcard.2020.01.032
[11] Balan P, Hsi B, Thangam M, et al. The cardiac arrest survival score: a predictive algorithm for in-hospital mortality after out-of-hospital cardiac arrest[J]. Resuscitation, 2019, 144: 46-53. DOI:10.1016/j.resuscitation.2019.09.009
[12] Wada T. Coagulofibrinolytic changes in patients with post-cardiac arrest syndrome[J]. Front Med (Lausanne), 2017, 4: 156. DOI:10.3389/fmed.2017.00156
[13] Zhai QR, Feng L, Zhang H, et al. Serial disseminated intravascular coagulation score with neuron specific enolase predicts the mortality of cardiac arrest-a pilot study[J]. J Thorac Dis, 2020, 12(7): 3573-3581. DOI:10.21037/jtd-20-580
[14] Seewald S, Wnent J, Lefering R, et al. CaRdiac Arrest Survival Score (CRASS) - A tool to predict good neurological outcome after out-of-hospital cardiac arrest[J]. Resuscitation, 2020, 146: 66-73. DOI:10.1016/j.resuscitation.2019.10.036
[15] Shih HM, Chen YC, Chen CY, et al. Derivation and validation of the SWAP score for very early prediction of neurologic outcome in patients with out-of-hospital cardiac arrest[J]. Ann Emerg Med, 2019, 73(6): 578-588. DOI:10.1016/j.annemergmed.2019.01.017
[16] Shin SM, Kim KS, Suh GJ, et al. Prediction of neurological outcomes following the return of spontaneous circulation in patients with out-of-hospital cardiac arrest: retrospective fast-and-frugal tree analysis[J]. Resuscitation, 2018, 133: 65-70. DOI:10.1016/j.resuscitation.2018.10.002
[17] Goto Y, Maeda T, Goto Y. Decision-tree model for predicting outcomes after out-of-hospital cardiac arrest in the emergency department[J]. Crit Care, 2013, 17(4): R133. DOI:10.1186/cc12812