2026, Vol. 35
引用本文 |
2. 广东省人民医院(广东省医学科学院)急诊科、基础医学研究中心, 广州 510080
2. Emergency Department and Basic Medical Research Center, Guangdong Provincial People's Hospital (Guangdong Academy of Medical Sciences), Guangzhou 510080, China
心血管疾病是全球首位死因，每年约造成1 800万人死亡[1]。急诊科就诊质量可能受时间的影响，尤其是夜间时段，医疗资源配置、人员工作状态等均可成为制约因素[2]。“夜间效应”是指患者在夜间死亡风险高于日间时段的现象，涉及夜间医护配备不足、专科可及性降低以及值班人员疲劳等因素[3]。已有研究表明，不同就诊时间可影响急性心肌梗死患者的再灌注效果与生存率[4]；夜间接受手术的患者并发症及死亡风险亦显著增加[5]。夜间医疗资源的客观限制仍是当前面临的现实挑战。现有研究多聚焦于入院时间的单点影响，对停留时间、离院时间等全程节点的综合分析仍显不足[6]。尤其是心血管急症的病理演变具有高度的时间敏感性，任一环节的延误均可能导致病情恶化。因此，系统探讨整个流程不同时段与患者指标的交互作用，深入挖掘其内在机制，具有重要的临床意义[7]。
本研究基于广东省人民医院与MIMIC-Ⅳ数据库的双中心数据，采用回顾性分析，并运用多种机器学习算法构建预测模型。旨在探讨急诊诊疗全流程中不同时间段的预后差异，识别关键预测因子，为优化急诊资源分配、改进夜间工作流程提供实证依据，最终改善心血管急症患者的临床结局[8]。
1 资料与方法 1.1 数据来源与研究对象本研究为回顾性队列研究，数据来源于广东省人民医院急诊科（GDPH）与MIMIC-Ⅳ数据库。GDPH队列收集2020年7月至2022年12月期间就诊的心血管疾病患者；MIMIC-Ⅳ队列纳入符合条件的心血管疾病患者。疾病诊断依据国际疾病分类第10版（ICD-10）编码I00–I99。
纳入标准：（1）年龄≥18岁；（2）具有明确的心血管疾病诊断；（3）记录完整的急诊到达时间；（4）具有完整的院内结局信息（不区分急诊死亡与住院死亡，均纳入分析）。
排除标准：（1）关键变量缺失；（2）就诊时间逻辑存在矛盾；（3）MIMIC-Ⅳ队列中分诊评分完全缺失。
本研究获广东省人民医院伦理委员会批准（审批号：KY-N-2022-105-01），并获MIMIC-Ⅳ数据库使用许可（认证号：34034170）。研究过程遵循《赫尔辛基宣言》的伦理原则。因研究为回顾性设计，豁免患者知情同意。
1.2 分组方法（1）按就诊时间分组：为了增强研究的普适性，避免因各医院排班时间差异及MIMIC数据库自身时间划分特点带来的偏倚，现将全天划分为三个时段：白天（08:00-17:59）、前半夜（18:00-23:59）与后半夜（00:00-7:59）。患者抵达急诊及离开急诊的时间均依此标准进行划分。
（2）按急诊停留模式分组：根据患者的停留时段特征，分为以下五类：仅白天停留、仅前半夜停留、仅后半夜停留（且停留时间≤8 h）、跨夜间停留（跨越18:00至次日08:00）、超长滞留（急诊停留时间 > 24 h）。
急诊收治患者的关键时间节点见图 1。
|
| 图 1 急诊收治患者的关键时间节点 Fig 1 Key time points in the emergency department for patient admissions |
|
|
收集患者的人口学特征（年龄、性别等）、就诊信息（就诊时间、离开时间、停留时长）、分诊评分、首次生命体征（血压、心率、呼吸频率等）、实验室指标（血常规、凝血功能、心肌酶、D-二聚体、肌钙蛋白、肝肾功能等）及预后结局（转入ICU、院内死亡）。
1.3.2 数据预处理剔除缺失率 > 30%的变量。采用四分位间距法识别并排除异常值。对于缺失数据，采用多重插补法（MICE，5次插补）进行处理[9]。为验证插补结果的稳健性，采用K近邻法（k=5）进行敏感性分析，结果与MICE法一致[10]。
1.4 统计学方法采用Python 3.8.3与R 4.2.0进行统计学分析。双侧检验以P＜0.05为差异有统计学意义。正态分布变量以均数±标准差（x±s）表示，组间比较采用独立样本t检验或方差分析；非正态分布变量以中位数（四分位数）[M(Q1, Q3)]表示，组间比较采用Mann-Whitney U检验或Kruskal-Wallis H检验。分类变量以例数（%）表示，组间比较采用χ2检验。采用标准化均数差（standardized mean difference, SMD）量化组间平衡性，SMD > 0.1视为存在临床意义的组间差异。
并用单因素逻辑回归筛选变量，将单因素分析中P＜0.05的变量及临床重要性变量纳入多因素逻辑回归模型，计算校正后比值比（adjusted odds ratio, aOR）及其95%置信区间（95%CI）。
本研究构建两种预测模型。模型A（早期预警模型）：仅纳入患者到达急诊时可获取的特征，包括人口学特征、就诊时段（后半夜入院）、首次生命体征、首次实验室检查结果及分诊评分，用于早期风险识别。模型B（全程分析模型）：在模型A的基础上进一步纳入急诊停留时间、后半夜离院等全程时间变量，用于评估时序特征对预后的综合影响。
采用XGBoost、LightGBM、CatBoost、随机森林及逻辑回归五种算法构建预测模型。鉴于结局事件发生率较低（GDPH队列为3.1%，MIMIC队列为2.9%），以精确率-召回率曲线下面积（area under the precision-recall curve, AUPRC）为主要评价指标。模型训练采用五折交叉验证，并结合网格搜索进行超参数调优[11]。
采用SHAP（Shapley Additive Explanations）方法量化各特征对模型预测结果的贡献度，计算特征的平均SHAP值以评估其重要性，并绘制瀑布图对个体患者的风险预测结果进行可视化解释[12-13]。
多因素回归分析证实，夜间就诊、乳酸为患者院内死亡的独立预测因子。采用X-tile 3.6.1软件，依据最大Log-rank卡方值原则，确定乳酸基线水平（2.0 mmol/L、4.0 mmol/L）与6~8 h乳酸清除率（10%、20%）的最佳截断值，据此将夜间就诊患者划分为四个风险层级，结合临床指南制定个体化处理方案，构建风险分层管理体系。
2 结果 2.1 基本临床资料本研究共纳入38 643例急诊心血管疾病患者，其中GDPH 3 760例，MIMIC 34 883例。按入院时段分析，后半夜（00:00-7:59）入院患者的病死率最高，在GDPH队列中为4.2%，高于前半夜（18:00-23:59）的2.6%及白天（08:00-17:59）的3.4%（χ2=4.409，P=0.110；后半夜vs.白天P=0.042）；在MIMIC队列中亦呈现相似趋势（后半夜4.5%，前半夜3.9%，白天3.6%，χ2=8.616，P=0.013；后半夜vs.白天P=0.004）。后半夜入院组患者的心率、收缩压、白细胞计数、D-二聚体及血糖水平均高于其他时段组，SMD均大于0.1。按离院时段分析，后半夜离院患者的病死率亦升高，GDPH队列中后半夜离院患者病死率为8.9%，显著高于白天（2.5%）及前半夜（3.9%）（χ2=23.952，P＜0.001；两两比较P均 < 0.05）；MIMIC队列中后半夜离院患者病死率为3.9%，高于白天（3.6%）及前半夜（4.1%），差异有统计学意义（χ2=26.612，P＜0.001；后半夜vs.白天P＜0.001，后半夜vs.前半夜P＜0.001），且ICU转入率亦升高。在急诊停留模式方面，跨夜间停留（跨越18:00至次日07:59）及超长滞留（> 24 h）患者的病死率升高。两队列患者的完整基线特征见表 1。
| 指标 | GDPH（n=3 760） | MIMIC-Ⅳ（n=34 883） |
| 年龄（岁）a | 64 (53, 72) | 71 (60, 82) |
| 年龄≥65岁b | 1 793 (47.7) | 22 643 (64.9) |
| 复苏/紧急分诊比例(%) | 11.9 | 36.4 |
| 生命体征a | ||
| 心率（次/min） | 83.2 (71.0, 97.5) | 83 (71, 97) |
| 收缩压（mmHg） | 136.4 (116.4, 160.4) | 135 (117.2, 154.1) |
| 舒张压（mmHg） | 73 (62, 84) | 73 (61, 84) |
| SpO2（%） | 96 (92, 100) | 98 (96, 100) |
| 实验室检查a | ||
| 白细胞（×109/L） | 9.2 (7.1, 11.7) | 8.3 (6.2, 11.1) |
| 血糖（mmol/L） | 7.3 (6.0, 9.5) | 6.7 (5.5, 9.2) |
| 血钾（mmol/L） | 3.8 (3.6, 4.1) | 4.3 (4.0, 4.6) |
| 乳酸（mmol/L） | 1.2 (1.0, 1.5) | 1.2 (1.0, 1.3) |
| 心肌肌钙蛋白Ⅰ（ng/L） | 34.3 (13.0, 198.2) | / |
| D-二聚体（μg/L） | 800.0 (350.0, 2 053.6) | 953.3 (397.0, 2 227.3) |
| APTT（s） | 36.1 (33.2, 40.0) | 38.4 (34.9, 42.1) |
| 进入急诊时间b | ||
| 白天（08:00-17:59） | 2 009 (53.4) | 20 852 (59.7) |
| 前半夜（18:00-23:59） | 1 127 (29.9) | 9 371 (26.9) |
| 后半夜（0:00-7:59） | 624 (16.7) | 4 650 (13.3) |
| 离开急诊时间b | ||
| 白天（08:00-17:59） | 2 363 (62.8) | 9 771 (28.0) |
| 前半夜（18:00-23:59） | 1 217 (32.4) | 15 128 (43.4) |
| 后半夜（0:00-7:59） | 180 (4.8) | 9 984 (28.6) |
| 急诊停留时间b | ||
| 白天（0:00-17:59） | 332 (8.6) | 6 542 (18.8) |
| 前半夜（18:00-23:59） | 81 (2.2) | 2 629 (7.5) |
| 后半夜（0:00-7:59） | 624 (16.6) | 2 073 (5.9) |
| 夜晚（18:00-7:59）+1 d | 214 (5.69) | 10 589 (30.4) |
| 其他（08:00-08:00）+n≥1 d | 2 509 (66.7) | 17 755 (50.9) |
| 患者预后b | ||
| 转入ICU | 949 (25.2) | 9 487 (27.2) |
| 死亡 | 123 (3.3) | 1 328 (3.8) |
| 注：a为M(Q1, Q3)，b为例（%）；APTT为部分凝血活酶时间 | ||
与白天相比，夜间各阶段患者的死亡风险均系统性升高，且“后半夜”效应在双中心数据中呈现高度一致性。在入院时段方面，后半夜入院患者的病死率显著高于前半夜及白天组（均P＜0.05），呈现“时段越晚、风险越高”的阶梯式上升趋势。在离院时段方面，GDPH队列后半夜离院患者的病死率显著高于其他时段（χ2=23.952，P＜0.001；两两比较P均 < 0.05）；MIMIC队列后半夜离院患者的病死率亦显著高于白天及前半夜（χ2=26.612，P＜0.001；后半夜vs.白天P＜0.001，后半夜vs.前半夜P＜0.001）。总体而言，无论就诊、滞留或离院阶段，一旦患者的急诊诊疗流程延伸至后半夜时段，其死亡风险即升高。见图 2。
|
| 注：A为入急诊病死率；B为急诊停留病死率；C为出急诊病死率 图 2 不同组间患者死亡情况比较 Fig 2 Comparison of patient outcomes among different groups |
|
|
多因素逻辑回归分析（表 2）显示，时间节点与死亡风险的关联存在中心异质性。在GDPH队列中，后半夜入院未显示独立风险（aOR=1.241，95%CI: 0.783~1.968，P=0.359），而后半夜离院则为强危险因素（aOR=3.745，95%CI: 2.110~6.647，P＜0.001）。在MIMIC队列中，后半夜入院呈独立危险因素（aOR=1.259，95%CI: 1.076~1.552，P=0.002）。
| 时段 | GDPH | MIMIC-Ⅳ | |||||||
| OR (95%CI) | P值 | aOR(95%CI) | P值 | OR (95%CI) | P值 | aOR(95%CI) | P值 | ||
| 进入急诊时间 | |||||||||
| 白天 | 1.000 (参照) | - | 1.000 (参照) | - | 1.000 (参照) | - | 1.000 (参照) | - | |
| 前半夜 | 0.713 (0.472, 1.091) | 0.117 | 0.754 (0.485, 1.172) | 0.209 | 1.041 (1.023, 1.186) | ＜0.001 | 1.090 (0.960, 1.238) | 0.184 | |
| 后半夜 | 1.362 (0.882, 2.121) | 0.171 | 1.241 (0.783, 1.968) | 0.359 | 1.224 (1.053, 1.423) | ＜0.001 | 1.259 (1.076, 1.472) | 0.004 | |
| 急诊停留时间 | |||||||||
| 白天 | 1.000 (参照) | - | 1.000 (参照) | - | 1.000 (参照) | - | 1.000 (参照) | - | |
| 前半夜 | 0.744 (0.182, 3.061) | 0.053 | 1.025 (0.214, 4.923) | 0.975 | 1.361 (1.132, 1.641) | ＜0.001 | 1.118 (0.905, 1.381) | 0.301 | |
| 后半夜 | 3.023 (1.064, 8.591) | 0.038 | 4.050 (1.167, 14.056) | 0.028 | 1.530 (1.264, 1.863) | ＜0.001 | 1.252 (1.003, 1.563) | 0.047 | |
| 夜晚（18:00-7:59）+1 d | 1.661 (0.882, 3.141) | 0.117 | 2.195 (0.868, 5.548) | 0.097 | 1.243 (1.112, 1.391) | ＜0.001 | 0.977 (0.841, 1.135) | 0.760 | |
| 其他（08:00-08:00）+n≥1 d | 0.938 (0.562, 1.532) | 0.767 | 1.354 (0.654, 2.805) | 0.414 | 0.684 (0.623, 0.746) | ＜0.001 | 0.708 (0.613, 0.818) | ＜0.001 | |
| 离开急诊时间 | |||||||||
| 白天 | 1.000 (参照) | - | 1.000 (参照) | - | 1.000 (参照) | - | 1.000 (参照) | - | |
| 前半夜 | 1.304 (0.902, 1.891) | 0.162 | 1.542 (1.046, 2.273) | 0.029 | 1.097 (0.953, 1.262) | 0.197 | 1.061 (0.890, 1.266) | 0.509 | |
| 后半夜 | 3.167 (1.832, 5.485) | ＜0.001 | 3.745 (2.110, 6.647) | ＜0.001 | 1.421 (1.229, 1.642) | ＜0.001 | 1.308 (1.102, 1.552) | 0.002 | |
| 注：aOR校正年龄、性别、分诊评分、生命体征及实验室指标等全部临床特征；各时段变量分别单独纳入多因素模型，以“白天”为参照 | |||||||||
纳入急诊死亡患者后，后半夜入院的aOR由1.241升至1.352，LightGBM模型的AUROC由0.868略降至0.861。结果表明，排除急诊死亡患者可能轻度低估夜间死亡风险，但未改变研究的核心结论。
2.5 模型效能对比及SHAP可解释性分析图 3展示了全程分析模型（模型B）的ROC曲线，其在GDPH（H1）队列的最高AUROC为0.87（95%CI: 0.84~0.91），在MIMIC（H2）队列为0.88（95%CI: 0.86~0.89）。早期预警模型（模型A）的AUROC通过五折交叉验证获得（图中未展示），在GDPH队列为0.85（95%CI: 0.84~0.86），在MIMIC队列为0.86（95%CI: 0.85~0.87）。内外部验证的AUROC差异小于0.01，AUPRC范围为0.12~0.20，符合同类研究水平。SHAP分析显示，在全部入模特征中，年龄（SHAP均值1.20）和心率（SHAP均值0.95）贡献度最高，其次为D-二聚体（0.88）、后半夜入院（0.80）、收缩压（0.76）、后半夜离院（0.75）、乳酸（0.72）及夜间滞留（0.40）。时序特征的整体贡献度位列前五，证实其在死亡风险预测中具有不可忽视的独立价值。见图 4。
|
| 图 3 机器学习模型的ROC、AUPRC曲线 Fig 3 ROC and AUPRC curves of the machine learning models |
|
|
|
| 注：本图基于模型B（全程分析模型）绘制，揭示时间因素在完整急诊流程中的预测价值 图 4 死亡患者的SHAP可解释分析 Fig 4 SHAP Explainability Analysis of deceased patients |
|
|
为排除“夜间就诊者病情本身更重”这一混杂因素，本研究在GDPH队列中选取病情严重度匹配（乳酸 > 4 mmol/L且分诊评分≥3级）的后半夜入院患者（n=50）与日间入院患者（n=50）进行SHAP贡献对比。结果显示，相同病情严重度下，后半夜入院组的平均SHAP风险贡献为0.62（95%CI: 0.45~0.79），日间入院组仅为0.18（95%CI: 0.08~0.28），组间差异有统计学意义（P＜0.001），提示时间因素独立于基线病情严重程度而存在。典型案例显示（图 5），夜间就诊与血流动力学失代偿、高凝状态、器官功能障碍等多重因素协同作用，显著增加死亡风险。
|
| 图 5 患者个性化风险解释 Fig 5 Personalized risk explanation for patients |
|
|
后半夜离院与乳酸水平存在显著协同效应（图 6）：当乳酸 < 2 mmol/L时，后半夜离院的死亡风险增量有限；当乳酸 > 4 mmol/L时，后半夜离院的死亡风险急剧升高。基于该交互作用，结合夜间就诊患者的初始乳酸水平及6~8 h乳酸清除率，构建四层级风险分层体系（表 3），并制定了对应的个体化处理方案，为夜间急诊患者的精准风险评估与干预提供了临床依据。
|
| 注：本图基于模型B（全程分析模型）绘制，用于探讨“后半夜离院”与乳酸水平的协同效应 图 6 时间因子与乳酸的交互作用 Fig 6 Interaction between time factors and lactate |
|
|
| 风险等级 | 夜间就诊+乳酸水平 | 乳酸清除率（6~8 h） | 推荐处理方案 |
| 极高危 | ＞4.0 mmol/L | ＜10% | 立即考虑机械循环支持，ICU收治 |
| 高危 | 2.0~4.0 mmol/L | 10%~20% | 密切监测，考虑升级治疗方案 |
| 中危 | 2.0~4.0 mmol/L | ＞20% | 继续当前治疗，动态监测乳酸变化 |
| 低危 | ＜2.0 mmol/L | — | 常规处理，按标准流程随访 |
本研究首次将急诊诊疗全流程划分为入院、滞留、离院三阶段，结合SHAP方法验证了时间变量的独立预测价值。结果显示，后半夜是贯穿急诊全流程的独立高危时间窗，其时序特征贡献度仅次于年龄、ICU转诊等核心指标。在双中心队列中，后半夜入院患者病死率显著升高（GDPH：4.2%，MIMIC-Ⅳ：4.5%），后半夜离院及跨夜间停留患者的病死率亦显著攀升。这一发现提示，时间因素不仅是临床流程的外在标记，更可能是反映潜在病理生理状态与医疗资源配置交互作用的重要变量。既往多数研究聚焦于单一时间节点（通常为入院时间）对预后的影响[14-15]，而本研究通过三阶段划分揭示了时间因素在不同环节存在差异化的风险路径，为急诊时序性救治策略的精细化制定提供了更完整的证据框架。
3.2 后半夜入院对预后的影响本研究发现，后半夜入院的死亡风险独立于传统危险因素（如年龄、休克指数、乳酸水平等），且该效应在双中心中均稳定存在。这一结果与既往关于“非工作时间入院与不良预后相关”的报道一致[16]。后半夜入院更多反映的是“疾病发作时段的客观规律”与“患者就医决策的延迟”——心血管急症（如急性冠脉综合征、主动脉夹层）在夜间副交感神经兴奋、血流动力学波动的背景下更易触发[17]；与此同时，患者对夜间就医的顾虑可能导致院前延误，使得后半夜入院的患者普遍处于疾病进展的更晚期阶段。此外，亦有研究指出，后半夜入院患者基线Killip分级更差、血流动力学更不稳定[18]，与本研究观察到的后半夜组乳酸水平更高、需要血管活性药物比例更高相一致。上述因素共同构成了后半夜入院的超额死亡风险。
3.3 后半夜离院与跨夜间停留对预后的影响与入院时间相比，后半夜离院及跨夜间停留对预后的影响在既往文献中较少被独立关注。本研究发现，即使在校正了入院时病情严重程度后，后半夜离院仍与病死率显著相关，且其SHAP贡献度与后半夜入院接近。这一现象可能更多折射出“医疗系统层面的资源瓶颈”——夜间值班医护比例下降、专科会诊可及性降低、辅助检查等待时间延长等，可能导致患者在急诊滞留期间发生隐匿性恶化，待到决策离院时已错过最佳干预窗口。值得注意的是，跨夜间停留（即入院与离院跨越午夜）的患者风险介于后半夜入院与后半夜离院之间，提示累积性夜间暴露可能进一步增加不良结局风险，其机制可能与昼夜节律紊乱、应激反应累积及连续多时段的资源受限有关。此发现拓展了既往单一入院时间研究的视角，提示临床决策者在评估夜间就诊风险时，不应仅关注入院时刻，还需将离院时间及滞留时长纳入综合考量。
3.4 时间因子与乳酸水平的协同交互作用SHAP分析揭示，时间因子与生理指标存在协同交互作用，其中乳酸水平是关键的交互节点。当乳酸 > 4 mmol/L时，“后半夜离院”的风险贡献急剧升高；而乳酸 < 2 mmol/L时，时间因素的风险增量有限。既往研究已证实乳酸升高及乳酸清除率降低是休克和死亡风险的强预测因子[19]，本研究揭示时序因素与高乳酸血症呈协同放大效应（1+1 > 2），据此提出基于乳酸水平的分层管理：> 4 mmol/L且6~8 h清除率 < 10%者，应尽早启动机械循环支持并收治ICU；2.0~4.0 mmol/L者按清除率 < 20%升级或≥20%维持；< 2.0 mmol/L者常规处理[20]。该策略将时序风险转化为临床决策路径，有助于夜间资源精准配置，优先保障极高危患者。
3.5 双中心异质性与模型稳定性双中心验证发现一定的中心异质性：前半夜在GDPH队列中为危险因素，而在MIMIC-Ⅳ队列中未显示独立效应。这一差异可能与两中心医疗体系特点相关，GDPH作为区域性大型综合医院，前半夜恰为急诊就诊高峰期，人力资源虽相对充足但存在严重的”拥挤效应”，可能导致诊疗延迟；而MIMIC-Ⅳ所代表的美国医疗体系在晚间时段可能因值班安排更为集约化，有效缓冲了就诊高峰带来的额外风险。[21]这一异质性提示，时间因素对预后的影响高度依赖具体医疗场景，在制定时序性救治策略时需因地制宜。尽管如此，LightGBM模型在双中心均取得良好效能（AUROC: 0.87~0.88），且跨中心验证稳定，证实了夜间效应的普适性，即无论具体医疗环境如何，后半夜始终是需重点关注的高危时间窗。
3.6 局限性本研究存在以下局限性：第一，回顾性设计难以完全排除未测量混杂，如院前急救质量、家庭支持情况等可能影响就诊时机的因素未被纳入。第二，两中心人群特征与诊疗流程存在差异，虽提升了结果的外推性，但也引入了潜在偏倚，中心异质性的来源有待进一步研究阐明。第三，后半夜组基线病情较重，虽经多因素校正及SHAP分析仍可能存在残余混杂。第四，部分急诊死亡病例因变量缺失被排除，敏感性分析提示可能轻度低估夜间风险[22]。未来需开展前瞻性多中心研究，开发结合实时生命体征的动态风险评估工具，并探索夜间精准干预策略（如强化人力配置、建立快速响应团队），以进一步优化急诊时序性救治[23-24]。
综上所述，本研究通过双中心队列验证，显示后半夜是急诊心血管疾病患者院内死亡的独立高危时间窗，明确了急诊全流程时间因素与死亡风险的关联。并提示时间因素与乳酸的交互作用：乳酸 > 4 mmol/L时夜间风险急剧升高，而乳酸 < 2 mmol/L时时间因素影响有限。基于此构建的乳酸分层管理策略可将时序风险转化为可操作的临床路径。SHAP分析进一步证实时间变量的独立预测价值，中心异质性的发现为医疗质量改进提供了重要启示，同时为急诊风险分层与夜间医疗资源优化提供了实践路径。
利益冲突 所有作者声明无利益冲突
作者贡献声明 杨景：数据分析、数据整理、初稿撰写；吴利娟：研究构思、方法论设计；胡北：审校修订、监督指导
| [1] | Dumot C, Gasimov T, Hatipoglu Majernik G, et al. Nighttime treatment of ruptured intracranial aneurysms are associated with poor outcomes[J]. Neurosurgery, 2025, 96(1): 78-86. DOI:10.1227/neu.0000000000003024 |
| [2] | Shibahashi K, Kato T, Hikone M, et al. Fifteen-year secular changes in the care and outcomes of patients with out-of-hospital cardiac arrest in Japan: a nationwide, population-based study[J]. Eur Heart J Qual Care Clin Outcomes, 2023, 9(6): 600-608. DOI:10.1093/ehjqcco/qcac066 |
| [3] | Johnson AEW, Bulgarelli L, Shen L, et al. MIMIC-Ⅳ, a freely accessible electronic health record dataset[J]. Sci Data, 2023, 10(1): 1. DOI:10.1038/s41597-022-01899-x |
| [4] | Muller SZ, Zadina AN, Abbott LF, et al. Continual learning in a multi-layer network of an electric fish[J]. Cell, 2019, 179(6): 1382-1392.e10. DOI:10.1016/j.cell.2019.10.020 |
| [5] | Yan Y, Kuruoglu EE. Binarized simplicial convolutional neural networks[J]. Neural Netw, 2025, 183: 106928. DOI:10.1016/j.neunet.2024.106928 |
| [6] | Wynants L, Van Calster B, Collins GS, et al. Prediction models for diagnosis and prognosis of covid-19: systematic review and critical appraisal[J]. BMJ, 2020, 369: m1328. DOI:10.1136/bmj.m1328 |
| [7] | Lei JC, Zhai J, Zhang Y, et al. Supervised machine learning models for predicting sepsis-associated liver injury in patients with sepsis: development and validation study based on a multicenter cohort study[J]. J Med Internet Res, 2025, 27: e66733. DOI:10.2196/66733 |
| [8] | Anselmi L, Meacock R, Kristensen SR, et al. Arrival by ambulance explains variation in mortality by time of admission: retrospective study of admissions to hospital following emergency department attendance in England[J]. BMJ Qual Saf, 2017, 26(8): 613-621. DOI:10.1136/bmjqs-2016-005680 |
| [9] | White IR, Royston P, Wood AM. Multiple imputation using chained equations: Issues and guidance for practice[J]. Stat Med, 2011, 30(4): 377-399. DOI:10.1002/sim.4067 |
| [10] | Chao YY, Zhu HZ, Yang WY, et al. Differentiating between adrenocortical carcinoma and pheochromocytoma by a CT-based radiomics model: a multicenter retrospective study[J]. BMC Med Imaging, 2025, 25(1): 310. DOI:10.1186/s12880-025-01842-7 |
| [11] | Hounye AH, Xiong L, Hou MZ. Integrated explainable machine learning and multi-omics analysis for survival prediction in cancer with immunotherapy response[J]. Apoptosis, 2025, 30(1): 364-388. DOI:10.1007/s10495-024-02050-4 |
| [12] | Blohmer JU, Rezai M, Kümmel S, et al. Using the 21-gene assay to guide adjuvant chemotherapy decision-making in early-stage breast cancer: a cost-effectiveness evaluation in the German setting[J]. J Med Econ, 2013, 16(1): 30-40. DOI:10.3111/13696998.2012.722572 |
| [13] | Tay D, Poh CL, Van Reeth E, et al. The effect of sample age and prediction resolution on myocardial infarction risk prediction[J]. IEEE J Biomed Heal Inform, 2015, 19(3): 1178-1185. DOI:10.1109/JBHI.2014.2330898 |
| [14] | 王奕权, 田思佳, 牛升梅, 等. 基于机器学习构建创伤出血死亡风险预测模型研究[J]. 中华急诊医学杂志, 2025, 34(11): 1574-1578. DOI:10.3760/cma.j.cn114656-20250314-00193 |
| [15] | Bell A, Boyle J, Rolls D, et al. Mortality and readmission differences associated with after-hours hospital admission: a population-based cohort study in Queensland Australia[J]. Heal Sci Rep, 2023, 6(3): e1150. DOI:10.1002/hsr2.1150 |
| [16] | Rolls DA, Khanna S, Boyle J, et al. After-hours emergency department care: Does time or day of arrival affect survival?[J]. Emerg Med Australasia, 2021, 33(2): 232-241. DOI:10.1111/1742-6723.13602 |
| [17] | Dziewierz A, Malinowski K, Dardzińska N, et al. Circadian variation in ST-segment elevation myocardial infarction: a nationwide analysis of onset, treatment delays, and culprit artery patterns[J]. Pol Arch Intern Med, 2026, 136(1): 17188. DOI:10.20452/pamw.17188 |
| [18] | 徐腾达, 徐军, 吉栩, 等. 急诊科拥挤度变化规律研究: 昼夜节律和节假日效应[J]. 中华急诊医学杂志, 2011, 20(10): 1027-1031. DOI:10.3760/cma.j.issn.1671-0282.2011.10.006 |
| [19] | Wang JF, Ji MX. The 6-hour lactate clearance rate in predicting 30-day mortality in cardiogenic shock[J]. J Intensive Med, 2024, 4(3): 393-399. DOI:10.1016/j.jointm.2024.01.003 |
| [20] | 中国医疗保健国际交流促进会急诊医学分会, 北京医院国家老年医学中心, 中华医学会急诊医学分会. 血乳酸在急危重症应用的急诊专家共识[J]. 中华急诊医学杂志, 2025, 34(10): 1352-1362. DOI:10.3760/cma.j.cn114656-20250810-00570 |
| [21] | Qu JM, Wang TT, Zhou XY, et al. The weekend effect on 28-day mortality in septic patients admitted to the ICU: a retrospective study from the MIMIC-Ⅳ database[J]. PLoS One, 2025, 20(5): e0324288. DOI:10.1371/journal.pone.0324288 |
| [22] | Finsterer J, Scorza FA. Calibration of prediction models of in-hospital mortality in SARS-CoV-2 patients depends also on data quality[J]. Indian J Crit Care Med, 2024, 28(2): 181-182. DOI:10.5005/jp-journals-10071-24564 |
| [23] | Enriquez de Salamanca Gambara R, Sanz-García A, del Pozo Vegas C, et al. A comparison of the clinical characteristics of short-, mid-, and long-term mortality in patients attended by the emergency medical services: an observational study[J]. Diagnostics, 2024, 14(12): 1292. DOI:10.3390/diagnostics14121292 |
| [24] | Choi A, Lee K, Hyun H, et al. A novel deep learning algorithm for real-time prediction of clinical deterioration in the emergency department for a multimodal clinical decision support system[J]. Sci Rep, 2024, 14: 30116. DOI:10.1038/s41598-024-80268-7 |