使用機器學習預測到院前心跳停止病人對藥物與介入治療的個體化治療效果

到院前心跳停止（Out-of-hospital cardiac arrest, OHCA）持續是全球重大的公共衛生挑戰，儘管心肺復甦科學不斷進步，整體存活率仍然偏低。傳統的隨機對照試驗與登錄研究多著重於族群層級的平均治療效果，然而往往忽略了不同個體對治療反應的高度異質性。本論文旨在發展並驗證以機器學習為基礎的個體化治療效果（individualized treatment effect, ITE）模型，以量化患者在OHCA復甦過程中對關鍵藥物及介入治療的個體化效益，特別針對碳酸氫鈉（sodium bicarbonate, SB）之使用與體外心肺復甦術（extracorporeal cardiopulmonary resuscitation, ECPR）兩項治療進行分析。
本研究使用2016年至2024年間收集自國立臺灣大學醫院體系及亞東紀念醫院之多中心OHCA資料庫，進行成人非創傷性OHCA患者之回溯性世代研究。首先採用傾向分數配對（propensity score matching, PSM）以降低治療選擇偏倚，接著以基於XGBoost的因果森林演算法建立ITE模型，分別估算(1) SB對自發性循環恢復（return of spontaneous circulation, ROSC）之效應，以及(2) ECPR對出院存活率之效應。SB研究旨在檢驗以ITE導向之SB使用策略，是否能優於臨床醫師原本的用藥決策以提升實際預後；ECPR研究則評估ITE導向之選擇策略，是否能比現行臨床試驗或醫院內部規則為基礎的指標，更有效辨識具有較高ECPR治療效益的病人亞群。同時，本研究亦以Qini係數、C-for-benefit統計值及校準曲線評估模型之區辨與校準能力，並利用特徵重要度分析、偏依存圖（PDP）與SHAP分析提升模型可解釋性。
在SB研究中（n = 2,368），模型預測之治療效應介於ROSC機率絕對增加24.7%至降低28.3%之間，顯示明顯的異質性。當依預測ITE三等分分層後，最低三分位(模型預測有害)組接受SB者之ROSC率絕對下降29.5%（95% CI：–43.6%至–15.3%），而最高三分位(模型預測有幫助)組則上升33.2%（95% CI：20.2–46.3%）。預測之ITE顯著修飾了治療對ROSC的效果（交互作用p < 0.001）。此結果顯示，以ITE導向的SB使用策略可更準確鎖定最有可能受益的患者，進而優於傳統臨床決策模式改善整體預後。
在ECPR研究中（n = 1,953），當選取預測ITE最高的前10%患者時，ECPR組之出院存活率為50.0%，而非ECPR組為20.0%（絕對觀察治療效應30.0%，p = 0.042）；相對之下，現行試驗或醫院規則為基礎的選擇準則並未觀察到顯著治療效益。此結果顯示，ITE導向之選擇策略可較傳統規則式準則更有效辨識具有顯著ECPR存活效益的病人亞群。與較高預測效益相關之特徵包括較低之pH值、較高乳酸濃度、較低血中二氧化碳分壓、較年輕年齡及具旁觀者心肺復甦（bystander CPR）者。
綜合而言，本研究以機器學習建立之ITE模型揭示OHCA患者在治療反應上的顯著異質性，並成功辨識出可從SB或ECPR中獲得明顯效益的特定病人族群。相較於傳統的平均或規則導向策略，ITE導向方法可實現「精準復甦」（precision resuscitation），將治療資源分配予最可能受益者。研究結果顯示，結合因果推論與機器學習模型於即時臨床決策支援系統中，具有提升個體化復甦策略之可行性與臨床潛力。未來仍需進行前瞻性驗證與臨床整合應用。