Prehospital Emergencies : Early Recognition, Response and Machine Learning in Risk Stratification
Tamminen, Joonas (2021)
Tamminen, Joonas
Tampere University
2021
Lääketieteen ja biotieteiden tohtoriohjelma - Doctoral Programme in Medicine and Life Sciences
Lääketieteen ja terveysteknologian tiedekunta - Faculty of Medicine and Health Technology
This publication is copyrighted. You may download, display and print it for Your own personal use. Commercial use is prohibited.
Väitöspäivä
2021-09-17
Julkaisun pysyvä osoite on
https://urn.fi/URN:ISBN:978-952-03-2068-3
https://urn.fi/URN:ISBN:978-952-03-2068-3
Tiivistelmä
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.
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.
Kokoelmat
- Väitöskirjat [4990]