Vývoj predikčního modelu pro intraoperační variabilitu krevního tlaku

1. Úvod Variabilita krevního tlaku (BPV) je popis stupně fluktuace krevního tlaku pacienta, jako je standardní odchylka, průměrná skutečná variabilita a variabilita nezávislá na průměru. Všechny výše uvedené termíny v různé míře popisují situaci BPV. BPV se dělí na různé typy a krátkodobá BPV pacienta souvisí s dalšími pojmy BPV。Kromě samotné číselné hodnoty krevního tlaku přinese vysoká variabilita krevního tlaku řadu komplikací, jako je poškození cílových orgánů 、kardiovaskulární příhody a dokonce i smrt. Relevantní literatura a doporučení také doporučují, aby zvýšení nebo snížení krevního tlaku nepřesáhlo 20 % základní hodnoty krevního tlaku a snížení rizika intraoperační variability vysokého krevního tlaku (IHBPV) se stalo jedním z důležitých úkolů anesteziologů. pravidelné vitální funkce zaznamenávané během operace zahrnují krevní tlak, srdeční frekvenci a dechovou frekvenci, což může způsobit, že BPV anesteziologové přehlédnou； Faktory, které způsobují IHBPV, jsou komplexní a pacientův vlastní vaskulární stav, dráždivost sympatického nervu, užívání drog, tekutiny rovnováha a chirurgická stimulace může způsobit IHBPV a zvýšit její perioperační riziko, což ovlivňuje prognózu pacienta. Multidimenzionální, časově proměnlivé změny znesnadňují anesteziologům dělat úsudky a v současnosti chybí efektivní predikce a vysvětlení IHBPV.

   Strojové učení (ML) je interdisciplinární obor, který studuje, jak počítače simulují lidské chování při učení a reorganizují stávající znalostní struktury, aby zlepšily svůj výkon a získaly nové znalosti a dovednosti. Nedávný výzkum zjistil, že ML má výhody v předpovídání a vysvětlování složitých systémů, ML je vhodné pro analýzu složitých reálných dat a zpracování dat časových řad. Účelem této studie bylo vytvořit modely strojového učení pro predikci výskytu IHBPV během celkové operace u pacientů a objasnit základní informace a intraoperační faktory, které vedou k IHBPV, s cílem pomoci anesteziologům zlepšit léčbu BPV během operace. .

2. Materiály a metody 2.1 Návrh studie Tato retrospektivní studie shromáždila data z pekingské nemocnice Tsinghua Chang Gung Hospital přidružené k univerzitě Tsinghua od března 2016 do dubna 2022, všichni pacienti, kteří podstoupili operaci na operačním sále centra se souhlasem etické komise, byli zařazeni do studie. Studie získávala především informace pacientů ze systému HIS a systému Medtronic a jejím cílem bylo předpovědět možnost IHBPV u pacientů na základě výchozích informací a intraoperačních faktorů prostřednictvím modelů ML a vysvětlit zvýšení rizika IHBPV u pacientů prostřednictvím interpretovatelné ML modely.

Původní databáze sestávala z 52 250 případů operací v celkové anestezii. Velikost vzorku byla založena na měřítku existující databáze, z nichž 47520 ordinací splnilo kritéria této studie. Kritériem pro zařazení byli pacienti, kteří dostali celkovou anestezii, intravenózní anestezii nebo intravenózní inhalační anestezii a stupeň ASA1-5. A vylučovacími kritérii byly operace s chybějícími klíčovými informacemi a operace, u kterých nebyl během operace monitorován krevní tlak. U operací s chybějícími nebo nejednoznačnými informacemi jsme použili metodu mazání, abychom zajistili pravost dat. Mezi důležité proměnné patřily časové záznamy, životní funkce a bilance tekutin. Etická komise pekingské nemocnice Tsinghua Chang Gung schválila studii a vzdala se požadavku na osobní informovaný souhlas, protože se jedná o retrospektivní studii, tento výzkum byl také schválen Čínským centrem pro registraci klinických studií. Tato studie se řídila příslušnou částí pokyny pro podávání zpráv o modelech klinických predikcí „Transparent Reporting of a Multivariable Prediction Model for Individual Prognosis or Diagnosis“ (TRIPOD), které zahrnují běžně používané referenční položky pro vytváření modelů klinických predikcí.

2.2 Sběr dat Tato studie především získala základní informace o pacientech ze systému HIS, včetně výšky, hmotnosti, pohlaví, diagnózy onemocnění a chirurgické metody, a extrahovala intraoperační faktory z chirurgického anesteziologického systému Medtronic jako nezávislé proměnné, včetně intraoperačního krevního tlaku, intraoperační údaje o lécích, bilanci tekutin a klíčové chirurgické operace zaznamenané během operace. Vybrali jsme některé běžně užívané léky a kritériem pro běžně užívané léky bylo, že frekvence užívání léku v různých ordinacích přesáhla desetinu. Běžně používaná léčiva jsou sevofluran, propofol, dexmedetomidin, midazolam, remifentanil, sufentanil, metoxamin a rokuronium; U předoperačních diagnóz, s ohledem na jejich vliv na variabilitu krevního tlaku, jsme upřednostnili extrakci binárních proměnných souvisejících s krevním tlakem, jako je srdeční dysfunkce a renální dysfunkce.

2.3 Diagnostická kritéria pro IHBPV Primárním cílovým parametrem této studie je variabilita krevního tlaku (BPV), která byla studována v několika předchozích pracích, BPV má různé definice a metody výpočtu, z nichž každá má své vlastní výhody. Variační koeficient (CV) intraoperačního středního arteriálního tlaku (MAP) byl použit jako kvantitativní měření BPV. Bere v úvahu kolísání krevního tlaku pacienta a zároveň bere v úvahu jeho výchozí hladinu krevního tlaku. V této studii jsme vypočítali variační koeficient (CV) intraoperačního MAP jako kvantitativní ukazatel variability krevního tlaku (BPV), CV MAP se vypočítá vydělením směrodatné odchylky MAP střední hodnotou MAP. předchozí literatura a doporučená doporučení, nemělo by zvýšení a snížení krevního tlaku pacienta během operace překročit 20 % výchozí hodnoty krevního tlaku. Proto případy IHBPV definujeme jako situace, kdy CV MAP během operace přesáhne 20 %, bez ohledu na to, zda je zvýšení variability krevního tlaku způsobeno poklesem nebo zvýšením krevního tlaku.

Krevní tlak zaznamenávaný každých pět minut od začátku anestezie se používá k výpočtu BPV a primárním zdrojem informací o krevním tlaku je invazivní arteriální linie, a pokud tato informace není k dispozici, používá se neinvazivní měření manžetou. Vzhledem k různým monitorovacím situacím během operace lze invazivní arteriální tlak zaznamenat vícekrát za minutu, zatímco neinvazivní měření manžetou se zaznamenává alespoň každých pět minut. Všechny zaznamenané hodnoty krevního tlaku se používají k posouzení, zda pacient vyhovuje IHBPV.

2.3 Prediktivní modely Predikce je technologie řízeného strojového učení (ML), která je velmi účinná při predikci analýzy dat. Je založen na trénovacích datech a mapuje nové vstupní záznamy do specifických závislých výstupních proměnných na základě hodnot relevantních nezávislých proměnných. Vzhledem k jeho schopnosti zpracovávat komplexní korelované proměnné a jeho efektivitě při zpracování vzájemně korelovaných proměnných je pro dosažení optimální přesnosti klíčové používat nové predikční algoritmy.

V této studii jsme vyvinuli čtyři predikční modely strojového učení (ML), extrémní zesílení gradientu (XGBoost), zesílení světelného gradientu (LGBoost), náhodný les (RF) a logistickou regresi (LR), abychom předpověděli pravděpodobnost hypertenzního krevního tlaku během operace. variabilita (IHBPV) pomocí výchozích informací a intraoperačních faktorů. Modely byly postaveny pomocí verze python 3.9 s pandami 1.3.4 knihovna pro čištění dat, knihovna Scikit-Learn 0.24.2 pro tvorbu modelu a optimalizaci hyperparametrů a knihovna shap 0.41.0 pro interpretovatelnost.

Trénink predikčních modelů byl proveden pomocí datového souboru 47520 pacientů, který byl rozdělen do trénovacích (70 %) a testovacích (30 %) souborů na základě rozložení výstupní proměnné (obr. 1). Pro účely validace byl pro trénovací sadu použit přístup křížové validace. Při ověřování těchto datových sad byla použita hierarchická k-násobná křížová validace kvůli její účinnosti a plynulosti. Každý soubor dat byl náhodně rozdělen do k záhybů, přičemž k 1 záhybů bylo použito pro účely školení a zbytek byl použit jako ověřovací soubor. K vyhodnocení výkonu tří predikčních modelů bylo nezávisle a iterativně ověřeno pomocí k-násobné křížové validace od k = 5. Nejlepší přesnosti všech tří algoritmů bylo dosaženo 5násobnou křížovou validací. Naším hlavním ukazatelem je porovnat plochu pod křivkou (AUC), plochu pod provozní charakteristikou přijímače (ROC) křivkou. Intervaly spolehlivosti AUC se odhadují pomocí odhadovaného indikátoru 100 bootstrapped vzorků. Metriky, které jsme použili pro srovnání, zahrnují přesnost, preciznost, citlivost, specificitu a skóre F1, které se všechny používají k měření výkonu klasifikačního modelu. Porovnání více metrik umožňuje vyvážené posouzení silných a slabých stránek modelu.

K analýze citlivosti modelu proměnných se používá metoda důležitosti permutace. Důležitost permutace je vhodná pro tabulková data a vyhodnocení důležitosti prvku závisí na poklesu výkonu modelu po náhodném přeskupení prvku. Není také omezen na konkrétní modelové kategorie a má širokou škálu aplikací. Důležitost permutačního prvku je technika ověřování modelu, která uspořádává důležitost prvku odhadovaných hodnot daného souboru dat, přičemž důležitost je definována jako pokles skóre modelu, když je náhodně zamíchána hodnota jednoho prvku. Změna predikční schopnosti modelu se používá k určení, zda je nutné vymazat zahrnuté proměnné. Tato technika těží z nepoznatelnosti modelu a lze ji vypočítat vícekrát s různým uspořádáním prvků.

2.5 Metody interpretace Vysvětlující metody v této studii jsou založeny na XGBoost, protože XGBoost přinesl nejlepší výsledky v predikci a v předchozích studiích se ukázalo, že má dobrou kompatibilitu s metodou SHAP. XGBoost je nedávno vyvinutá technologie strojového učení, která byla široce používána v mnoha oblastech. Jako přenosná a flexibilní metoda je vhodná pro různé aplikace. Je založen na Cause Based Decision Tree a algoritmu Gradient Boosting Machine, především proto, aby se snížila chyba modelu žáka. V každé iteraci výtahu byly pro každý tréninkový případ vypočteny gradienty prvního a druhého řádu objektivní funkce "kvadratická chyba". Rozdíl mezi modelovými hodnotami a skutečnými hodnotami tak neustále snižuje množství jednoduchých základních studentů. Získává schopnost vylepšit metody zvedání stromů pro rychlé a přesné zpracování téměř všech typů dat. Díky těmto jedinečným funkcím lze algoritmus efektivně použít v modelech regresní predikce. XGBoost se také používá ke zpracování velkých datových souborů s velkým počtem vlastností a klasifikací a poskytuje praktická a odborná řešení při zvažování kompromisů v účinnosti a přesnosti.

Na model ML jsme aplikovali interpretovatelnost a interpretovatelné modely ML zahrnují metody Local Interpretable, Global Interpretable a Interactive Interpretable. Lokální interpretovatelné metody mohou specificky identifikovat dopad jednotlivých prediktorů na výsledný index pro jeden vzorek, tj. prozkoumat perioperační prediktory, které mají největší dopad na IHBPV. Konečným výstupem metod Local Interpretable je velikost a podíl změn hodnot SHAP pro každý prediktor pro konkrétního pacienta. Global Interpretable metody mohou specificky identifikovat celkový dopad prediktorů na výsledky pro všechny vzorky, tj. prozkoumat perioperační prediktory, které mají komplexní dopad na variabilitu krevního tlaku během operace u všech pacientů. A konečně, interaktivní interpretovatelné metody zkoumají modifikující účinky mezi více prediktory, tj. fenomén vlivu prediktoru na výsledek, který se mění s úrovní ostatních prediktorů na různých úrovních. Jeho existence ukazuje, že účinky několika současně studovaných prediktorů nejsou nezávislé. Interpretace interakce v této studii může specificky identifikovat společný dopad různých prediktorů na IHBPV.