Prehospital Emergencies : Early Recognition, Response and Machine Learning in Risk Stratification

Abstract

Sairaalan ulkopuolisten hätätilanteiden varhainen tunnistaminen ja asianmukaisen ensihoitoresurssin hälyttäminen tapahtumapaikalle perustuvat hätäkeskuspäivystäjän ja hätäpuhelun soittajan väliseen viestintään ja jäsenneltyyn riskinarvioon. Sairaalan ulkopuolinen sydänpysähdys on esimerkki hätätilanteesta, joka vaatii tilanteen nopeaa tunnistamista sekä välitöntä hoitoa eli elvytyksen aloittamista. Hoitamattomana verenkierron pysähtyminen aiheuttaa potilaalle aivovaurion ja johtaa tämän menehtymiseen. Kun sydänpysähdys on todettu, hätäkeskuspäivystäjä hälyttää ensivasteyksikön ja ambulanssin kohteeseen sekä tarvittaessa neuvoo soittajaa aloittamaan elvytyksen. Myös uhkaava sydänpysähdys ja tätä edeltävät peruselintoimintojen häiriöt tulisi tunnistaa kaikilta ensihoidon kohtaamista potilailta. Tämän väitöskirjan tarkoituksena on tutkia sydänpysähdyspotilaan selviytymisketjun (”the chain of survival”) ensimmäisiä vaiheita, ensivasteyksiköiden roolia osana hätätilapotilaan hoitoa sekä ensihoidon kohtaamien potilaiden lyhyen aikajänteen kuolleisuuden ennustamista.

Maailman elvytysneuvosto (the International Liaison Committee on Resuscitation, ILCOR) on nostanut hätäpuhelun sisältämät sydänpysähdykseen liittyvät avainsanat tärkeäksi tutkimuskohteeksi (”knowledge gap”). Avainsanojen avulla voidaan parantaa sydänpysähdyksen tunnistamista. Ensimmäinen osatyö on takautuva kohorttitutkimus, jonka tarkoituksena on löytää sydänpysähdykseen liittyviä avainsanoja, jotka esiintyvät hätäpuhelussa maallikon spontaanissa puheessa. Hätäkeskuspäivystäjä epäili sydänpysähdystä 78 tehtävässä, joista 49 osoittautui todellisiksi sydänpysähdyksiksi. Hätäkeskuspäivystäjä ei ollut epäillyt kahta kohteessa todettua elottomuutta. Puheluissa havaittiin yhteensä 291 avainsanaa. Avainsanoja ‘ei hengitä’ (n = 9 varmennettu sydänpysähdys vs n = 1 ei sydänpysähdystä, odds ratio [OR] 6.00, 95 prosentin luottamusväli [LV] 0.72–50.0), ‘sininen’ (n = 9 vs n = 1, OR 6.00, 95 %:n LV 0.72–50.0), ‘kaatunut’ (n = 12 vs n = 2, OR 4.15, 95 %:n LV 0.86– 20.1) ja ‘korisee’ (n = 17 vs n = 5, OR 2.40, 95 %:n LV 0.78–7.40) käytettiin usein varmennetun sydänpysähdyksen yhteydessä. ‘Kuorsaa’ assosioitui väärään epäilyyn sydänpysähdyksestä (n = 1 vs n = 6, OR 0.08, 95 %:n LV 0.009–0.67).

Ensivasteyksiköitä käytetään laajasti osana ensihoitopalvelujärjestelmää erityisesti Pohjoismaissa. On kuitenkin epäselvää, mikä on ensivasteyksiköiden hätätilapotilaan hoitoon osallistumisen merkitys. Toinen osatyö on takautuva kohorttitutkimus, jonka aineistona on yhden vuoden ensivastetehtävät Pirkanmaan sairaanhoitopiirin alueella. Tutkimuksessa kuvataan ensivasteyksiköiden tekemät hoitotoimenpiteet ja näiden vaste hätätilapotilaan hoidossa. Ensivasteyksiköt kohtasivat 1 622 potilasta ja arvioivat 1 015 potilasta. Elvytettyjä potilaita oli yhteensä 83, joista 42 (51 %) potilaan kohdalla ensivasteyksikkö oli aloittanut elvytyksen ennen ambulanssin saapumista kohteeseen (mediaani 4 minuuttia).

Uhkaavaa elottomuutta on perinteisesti ennustettu logistiseen regressiomalleihin pohjautuvilla aikaisen varoituksen pisteytysjärjestelmillä, joista suomalaisille tutuin lienee National Early Warning Score (NEWS) -pisteytys. NEWS ei kuitenkaan sovellu erityisen hyvin riskinarvion apuvälineeksi ensihoidon potilasaineistossa. Sen sijaan modernit koneoppivat mallit kykenevät tunnistamaan algoritmille annetusta aineistosta entuudestaan tuntemattomia yhteyksiä ja riippuvuuksia. Tämä ominaisuus tekee niistä erityisen hyviä mallintamaan monimutkaisia fysiologisia ilmiöitä. Kolmannessa ja neljännessä osatyössä vertaamme NEWS-muuttujien ja verensokerin mittauksien avulla rakennettua random forest -algoritmia perinteiseen NEWS-pisteytykseen ensihoitopotilaan lyhyen aikajänteen kuolleisuuden ennustamisessa. Aineistot on kerätty takautuvasti Helsingin ja Uudenmaan sairaanhoitopiirin alueelta vuosien 2008–2015 ajalta sekä prospektiivisesti Pirkanmaan alueelta kesäkuussa 2015. Kolmannen osatyön yhden vuorokauden kuolleisuus oli 1,0 % ja random forest -algoritmi ennusti tätä NEWS-pisteytystä paremmin (receiver operating characteristics -käyrän alle jäävä pinta-ala [AUROC] 0.868 [95 %:n LV 0.843–0.892] vs 0.836 [95 %:n LV 0.810–0.860], p < 0.001).

Vastaavasti neljännessä osatyössä 30 päivän kuolleisuus oli 3,4 % ja random forest - algoritmi ennusti tätä NEWS-pisteytystä paremmin (AUROC 0.758 [95 %:n LV 0.705–0.807] vs 0.682 [95 %:n LV 0.619–0.744], p < 0.001).

Väitöskirjan päätelminä todetaan, että ensivasteyksiköt lyhensivät viivettä sydänpysähdyspotilaan elvytyksen aloittamiseen puolessa tapauksista. Yksikään hätäpuheluiden avainsanoista ei ollut yhteydessä sydänpysähdykseen, mutta ’korisee’ esiintyi usein varmennetun sydänpysähdyksen tapauksessa. Random forest -algoritmi kykeni ennustamaan ensihoidon kohtaamien potilaiden lyhyen aikajänteen kuolleisuutta perinteistä NEWS-pisteytystä paremmin, mikä havaittiin kahden eri sairaanhoitopiirin alueella.

Early recognition of prehospital emergencies and the dispatch of emergency medical services (EMS) to the incident when appropriate is based on a structured risk assessment and the communication between the emergency dispatcher and the caller. Out-of-hospital cardiac arrest (OHCA) is an example of a medical emergency which requires early recognition and prompt treatment. Cessation of mechanical cardiac function, circulatory collapse and a subsequent loss of cerebral perfusion will result in an anoxic brain injury and ultimately death if spontaneous circulation is not restored. Early recognition of OHCA is the cornerstone link of the chain of survival as the emergency dispatcher may dispatch first-responding units and ambulances and direct the caller to initiate cardiopulmonary resuscitation (CPR) unless bystander CPR is already being performed. Additionally, the signs of impending cardiac arrest and disturbances in vital functions should be detected in all encountered prehospital patients. The aim of this thesis is to investigate the first links in the chain of survival and the prediction of short-term mortality among prehospital patients.

According to the International Liaison Committee on Resuscitation (ILCOR), the trigger words used by callers in association with cardiac arrest constitute a scientific knowledge gap as they may facilitate OHCA recognition. Study I was a retrospective cohort study which aimed to find laypeople’s spontaneous trigger words in emergency calls. Of the 78 dispatcher-suspected OHCAs, 49 were confirmed to be cardiac arrests at the scene. The dispatcher had not suspected a later confirmed OHCA in two cases. A total of 291 trigger words were identified in the emergency calls. Trigger words ‘is not breathing’ (n = 9 in the confirmed cardiac arrest group vs n = 1 in the non-cardiac arrest group, odds ratio [OR] 6.00, 95% confidence interval [CI] 0.72–50.0), ‘the patient is blue’ (n = 9 vs n= 1, OR 6.00, 95% CI 0.72–50.0), ‘collapsed or fallen down’ (n = 12 vs n = 2, OR 4.15, 95% CI 0.86–20.1) and ‘is wheezing’ (n = 17 vs n = 5, OR 2.40, 95% CI 0.78–7.40) were frequently used to describe a true cardiac arrest. ‘Is snoring’ was associated with a false suspicion of cardiac arrest (n = 1 vs n = 6, OR 0.08, 95% CI 0.009–0.67). First-responding units are widely used as a part of the emergency medical services response, especially in the Northern countries. Nevertheless, their impact on the emergency patient’s care is unclear. Study II was a retrospective cohort study that examined the emergency medical services missions that first-responding units attended during one year in the Pirkanmaa Hospital District. The first-responding units encountered 1,622 emergency patients, 1,015 of which were clinically evaluated. CPR was attempted in 83 OHCA missions and a first-responding unit initiated CPR in 42 (51%) patients at a median of 4 minutes prior to ambulance arrival.

Impending cardiac arrest has been traditionally predicted in early warning score systems (EWSs) which are based on logistic regression. However, all introduced EWSs have a limited capability to predict adverse outcomes in the prehospital setting. By contrast, modern machine learning models are able find unknown non- linear associations or interactions between the predictor variables, making them excellent for modelling complex physiological phenomena. In Studies III and IV, the traditional National Early Warning Score (NEWS) system was compared to a random forest machine learning algorithm trained with NEWS parameters and blood glucose for predicting short-term mortality in the prehospital setting. The material for Study III was retrospectively collected in the Helsinki and Uusimaa hospital district between 2008 and 2015, whereas the material for Study IV was prospectively collected in the Pirkanmaa Hospital district in June 2015. The 24-hour mortality in Study III was 1.0%, and a random forest model outperformed NEWS for predicting that outcome (an area under the receiver operating characteristic [AUROC] 0.868 [95% CI 0.843–0.892] vs 0.836 [95% CI 0.810–0.860], p < 0.001). Correspondingly, the 30-day mortality in Study IV was 3.4%, and a random forest was superior to NEWS for predicting that outcome (AUROC 0.758 [95% CI 0.705– 0.807] vs 0.682 [95% CI 0.619–0.744], p < 0.001).

It can be concluded that the first-responding units shortened the delay from cardiovascular collapse to the initiation of CPR in half of the cases. No trigger word was associated with cardiac arrest, but ‘is wheezing’ was frequently used among the confirmed OHCA patients. Random forest machine learning algorithms showed better performance for predicting short-term mortality than the traditional NEWS system in two distinct hospital districts.