Heart-rate-based clock alignment in intensive-care ECGs, serial-ECG matching and administrative follow-up in MIMIC-IV

在重症监护室（ICU）这种高风险的环境中，时间是最关键的货币。医生依赖于事件发生的精确顺序来理解患者的状况：心律变化是在给予药物之前还是之后？血压下降是在化验结果出来之前还是之后？为了回答这些问题，医院使用电子健康记录，为从护士笔记到机器读数的每一项测量都打上时间戳。然而，这些记录并不是一个单一、完美同步的流。它们是来自不同设备、不同护士和不同系统的碎片化数据，每个系统都有自己的内部时钟。如果心电监护仪的时钟与医院的主时钟哪怕只有轻微不同，数据所讲述的故事就可能出错。对于心电图（ECG）而言尤其如此，因为心电图仅捕捉几秒钟内的心脏电活动。如果心电图机的显示时间与护士记录患者心率的图表时间不一致，研究人员就无法确定这两个事件是同时发生的，还是其中一个发生在很久之后。

最近的一项研究旨在对全球最大医疗数据集之一——MIMIC-IV中的这种计时情况进行审计。研究人员想知道，是否可以使用心率本身来修复这些时钟误差。其思路非常简单：如果一台机器记录的心率为每分钟70次，而一名护士在同一时刻也记录了心率为每分钟70次，那么这两个时钟应该是一致的。通过将机器的读数与护士的笔记进行对比，研究人员希望能够精确计算出机器时钟偏差了多少分钟。他们在重症监护室中对数千名患者进行了这种方法测试，以观察他们是否能够可靠地对齐时钟，更重要的是，了解数据在多大程度上过于混乱以至于无法进行此类修正。

研究始于将数百万条心电图记录与医院数据库中相应的患者记录进行关联。团队寻找那些机器记录了心率且护士在同一住院期间为同一患者记录了心率的时刻。随后，他们尝试寻找能使这两个数值达到最佳匹配的精确时间差。如果时钟完全同步，最佳匹配将出现在零偏差处。如果机器运行过快或过慢，最佳匹配则会揭示出一个特定的偏移量，例如30分钟或2小时。研究人员为什么是“成功匹配”设定了严格的规则。他们要求每位患者至少有三份完整的心电图，并且护士的笔记必须覆盖这些心电图周围的整个时间窗口。他们还要求这种匹配必须清晰且稳定，而不仅仅是偶然的巧合。

研究结果揭示了数据中残酷的现实。在近17,000名接受了心电图检查的重症监护室患者中，只有约2.3%符合能够识别其时钟偏移量的严格标准。在用于校验工作的第二组患者中，这一比例同样很低，仅为2.5%。这意味着对于超过97%的患者，研究人员无法确定机器的时钟是否偏差，以及偏差了多少。造成这种失败的主要原因并非时钟损坏，而是数据的缺失。研究发现，由于缺乏足够的心电图记录，或者由于住院时间过短或过于破碎，91%的患者在计算开始前就被排除在外。通常情况下，患者收到的每一份心电图都发生在住院开始或结束前的12小时内，导致记录中间没有任何空间可以用来对比机器时间与护士笔记。

即使在拥有足够数据的这一小部分患者中，结果也不如预期的那样清晰。研究人员发现，对于可以进行分析的患者，估计的时间差通常非常小，聚集在零附近。然而，他们也发现，该方法很难区分真实的时钟误差与随机噪声。当他们将该方法应用于已知时钟完全同步的伪造数据时，该方法仍会在约五分之一的情况下声称发现了时间差。这表明他们使用的标准过于宽松，无法单独信任。只有在增加了额外的验证层（例如检查在移除一个心电图后结果是否依然成立）之后，可靠匹配的人数才降至极小的比例：仅占患者总数的0.5%。这意味着对于绝大多数患者，该研究无法确认其机器时钟是否准确。

研究还观察了这些计时问题如何影响其他类型的医学研究，例如比较不同患者之间血钾水平的变化。他们发现，能够进行比较的患者数量完全取决于研究人员愿意接受多宽的时间窗口。如果允许血检与心电图之间存在六小时的差异，他们可以找到数百个匹配对。但如果将窗口缩减到仅两小时，可用的匹配对数量就会大幅下降。这凸显了许多医学研究的可行性不仅取决于数据的质量，还取决于研究人员对于多长时间算作“足够接近”所做的任意选择。

此外，研究人员还检查了患者在离开医院后的随访情况。他们想了解记录是否显示患者在一年内是否出现了被称为“心房颤动”的特定心律问题。他们发现，对于约三分之一的患者，记录在他们出院的那一刻就结束了，没有记录后续的心电图或住院就诊。对于另外四分之一的患者，尽管他们仍然存活，但随访期在一年届满前就停止了。这并不一定意味着患者很健康，仅仅意味着医院系统没有他们的记录。研究强调，缺乏记录联系并不等于缺乏事件发生。如果一名患者去了另一家医院或私人诊所，原始记录就会出现空白，这可能导致研究人员错误地假设该患者从未患有心脏问题。

研究人员还尝试在另一个来自急诊科的数据集上测试其方法，以观察结果是否具有普适性。这次测试既没有证实也没有反驳在重症监护室中的发现。该方法仅在28.3%的有资格的急诊就诊病例中识别出了时间差异，未达到预设的阈值，且模式与预期不符。这种在第二个数据集中缺乏确认的情况，进一步强化了结论，即该方法是脆弱的，且高度依赖于数据的特定条件，例如护士记录心率的频率以及患者在单元内的停留时间。

最终，这项研究为任何使用大型医疗数据库来研究随时间变化的心律变化的人提供了一个警示。它表明，虽然数据极其庞大且具有价值，但往往过于破碎，无法支持精确的时间修正。机器的时钟可能没问题，但记录中的空白使得无法判断。研究人员得出结论，在科学家试图利用这些记录来研究心脏状况如何变化或治疗效果如何之前，必须首先统计实际有多少患者拥有足够的连续数据来进行公平的比较。他们还强调，患者没有记录随访并不意味着其没有疾病；这仅仅意味着故事是不完整的。这项研究并没有找到修复时钟的方法，但它提供了一张清晰的地图，标明了数据在哪里失效，从而确保未来的研究人员不会将缺失的记录误认为是医学真相。