目的:依据中国卫生年鉴统计,我国2021年医疗卫生机构住院病人手术人次达8103.1万,围手术期并发症也逐渐成为社会关注热点。围手术期神经认知障碍(Perioperative Neurocognitive Disorders,PND)是老年人最常见的围手术期并发症之一。2018年11月在各大麻醉学相关知名杂志上专家提出由PND作为术前或术后发现的认知障碍的总称,其延长住院时间,影响生活质量,增加术后死亡率,引起医学界广泛关注。PND的发生率因研究和手术类型而异,术后前几周PND的发病率可高达53%。目前PND发病机制尚不清晰和缺乏早期治疗措施,早期准确可靠的评估,提早施行干预措施或个体化的麻醉管理方案和提供专门的围手术期护理措施,这些方面在围手术期PND管理和防治至关重要。然而目前基于传统统计学方法构建的简单模型,难以满足PND高危患者持续性动态评估的需求。因此,本研究的目的是首先利用单中心数据基于机器学习算法开发一个初步模型用来预测非心脏手术PND的风险,证明机器学习运用于PND预测方面的可行性。其次,本研究还致力于利用多中心医院数据,开发出一个基于机器学习算法构建的PND预测在线工具,帮助临床医务人员可视化评估风险。方法:1、在我院医疗大数据平台上筛选全麻下行非心脏手术术后发生PND的患者作为PND组,依照PND组手术类型和年龄段,按1∶3比例随机匹配同时间段的未发生PND且治愈出院的患者为非PND组。将所有筛选出的患者按照7∶3比例随机分为训练集和测试集。收集患者所有术前临床资料,并对所有指标行数据预处理,进行单因素分析比较PND组和非PND组、训练集和测试集之间的指标差异。采用套索算法(Least Absolute Shrinkage And Selection Operator,LASSO)进行指标特征选择,随后分别利用逻辑回归(Logistic Regression,LR)、支持向量机(Support Vector Machine,SVM)、决策树(Decision Tree)3种机器学习算法建立非心脏手术PND的预测模型。模型效能通过敏感性、特异性、F1分数、受试者工作特征(Receiver Operating Characteristic,ROC)曲线下面积(Area Under The ROC Curve,AUC)进行评估。2、由49768例来自中国三家代表性教学医院(陆军军医大学西南医院,首都医科大学宣武医院,四川大学华西医院)的手术患者组成一个医疗大数据平台,通过大数据平台检索全身麻醉下行手术治疗且出院诊断包含PND的患者作为阳性病例,在同样的大数据平台上根据PND组的手术类型、年龄段和数据来源,按1∶3比例随机匹配同时间段内未发生PND且治愈出院的患者为阴性病例,比较两组间指标统计学差异。同时将所有患者数据分成训练集、测试集和外部验证数据集。经过数据预处理和特征选择,输入全部指标和组间比较后有统计学意义的指标(P<0.05)基于LASSO算法形成3种输入策略,采用这三种策略分别基于SVM、广义线性模型(General Linear Model,GLM)、人工神经网络(Artificial Neural Networks,ANN)和朴素贝叶斯(Naive Bayes,NB)进行模型构建。通过ROCAUC、精确召回曲线下面积(Area Under The Precision Recall Curve,PRAUC)、Brier分数、敏感性、特异性、F1分数以及决策曲线分析(Decision Curve Analysis,DCA)进行模型效果评价,确定最佳模型。3、基于具有最佳性能的模型,使用R软件中Dynnom包和Shiny App开发一种在线可视化工具,即网页版动态Nomogram。结果:1、本研究总共纳入368例患者,PND组92例,非PND组276例,训练集和测试集分别有259例患者和109例患者。LASSO算法筛选出的特征指标包括年龄、年龄校正版查尔森共病指数(Age-Adjusted Charlson Comorbidity Index,aCCI)、营养评分、手术类型、美国麻醉医师协会(American Society Of Anesthesiologists,ASA)分级、急诊、血糖(Glucose,Glu)和血浆凝血酶原时间(Prothrombin Time,PT)。基于这些指标建立预测模型,LR、SVM和Decision Tree三种模型都具有良好的预测能力,其中SVM综合模型效能最佳。在训练集中,SVM模型AUC为0.987(95%CI:0.970-1.000),敏感性和特异性分别为98.5%和99.0%,F1分数为0.977。在测试集中,其AUC为0.957(95%CI:0.905-1.0
目的探讨机器学习算法构建腹部手术术后脓毒症患者死亡风险预测模型的可行性。方法采用病例-对照研究设计方案,从公共重症监护医学信息数据库(Medical Information Mart for Intensive CareⅣ,MIMIC-Ⅳv1.0)中筛选出行腹部手术后发生脓...
详细信息
目的探讨机器学习算法构建腹部手术术后脓毒症患者死亡风险预测模型的可行性。方法采用病例-对照研究设计方案,从公共重症监护医学信息数据库(Medical Information Mart for Intensive CareⅣ,MIMIC-Ⅳv1.0)中筛选出行腹部手术后发生脓毒症的患者,研究终点事件定义为患者入院后90 d内死亡。根据死亡与否将数据集随机拆分为训练数据集(70%)与测试数据集(30%),在训练数据集上基于Logistic回归(logistic regression,LR)、梯度提升树(gradient boosting decision tree,GBDT)、随机森林(random forest,RF)、支持向量机(support vector machine,SVM)和自适应提升(adaptive boosting,AdaBoost)算法构建预测死亡风险模型;在测试数据集上通过受试者工作曲线(receiver operating characteristic curve,ROC)和曲线下面积(area under the ROC curve,AUC)、敏感性、特异性、阳性预测值、阴性预测值、F1分数和准确率来评估模型效能。结果最终986例患者纳入本研究,其中251例(25.5%)患者入院后90 d内死亡,LR、GBDT、RF、SVM及AdaBoost模型的AUC依次为0.852、0.903、0.921、0.940和0.906,其中SVM的AUC最高,预测性能更好,而LR模型效能最差。结论基于GBDT、RF、SVM及AdaBoost这4种算法建立的腹部手术术后脓毒症死亡率预测模型的效能优于传统的LR模型,可能有助于临床决策,改善不良结局。
暂无评论