Udvikling af en forudsigelsesmodel for intraoperativ blodtryksvariabilitet

1. Introduktion Blodtryksvariabilitet (BPV) er en beskrivelse af graden af ​​fluktuation af en patients blodtryk, såsom standardafvigelse、gennemsnitlig reel variabilitet og variabilitet uafhængig af middelværdien， Ovenstående udtryk beskriver alle situationen for BPV i varierende grad. BPV er opdelt i forskellige typer, og patientens kortsigtede BPV er relateret til andre udtryk BPV。Ud over selve blodtrykkets numeriske værdi vil høj blodtryksvariabilitet medføre en række komplikationer, såsom skade på målorganer 、kardiovaskulære hændelser og endda død. Relevant litteratur og retningslinjer anbefaler også, at stigningen eller faldet i blodtrykket ikke bør overstige 20 % af den grundlæggende blodtryksværdi, og at reducere risikoen for intraoperativ høj blodtryksvariabilitet (IHBPV) er blevet en af ​​anæstesilægernes vigtige opgaver. regelmæssige vitale tegn registreret under operationen omfatter blodtryk, hjertefrekvens og respirationsfrekvens, som kan få BPV til at blive overset af anæstesiologer. Faktorerne, der forårsager IHBPV er komplekse, og patientens egen vaskulære status, sympatisk nervøs excitabilitet, stofbrug, væske balance og kirurgisk stimulering kan forårsage IHBPV og øge dens perioperative risiko, hvilket påvirker patientens prognose. Multidimensionelle, tidsvarierende ændringer gør det vanskeligt for anæstesiologer at foretage domme, og der mangler i øjeblikket en effektiv forudsigelse og forklaring af IHBPV.

   Machine learning (ML) er et tværfagligt felt, der studerer, hvordan computere simulerer menneskelig læringsadfærd og omorganiserer eksisterende vidensstrukturer for at forbedre deres ydeevne og tilegne sig ny viden og færdigheder. Nyere forskning har fundet ud af, at ML har fordele ved at forudsige og forklare komplekse systemer, ML er velegnet til at analysere komplekse data fra den virkelige verden og behandle tidsseriedata. Formålet med denne undersøgelse var at konstruere maskinlæringsmodeller til at forudsige forekomsten af ​​IHBPV under overordnet kirurgi hos patienter, og at afklare den grundlæggende information og intraoperative faktorer, der fører til IHBPV, for at hjælpe anæstesiologer med at forbedre håndteringen af ​​BPV under operationen .

2. Materialer og metoder 2.1 Studiedesign Denne retrospektive undersøgelse indsamlede data fra Beijing Tsinghua Chang Gung Hospital tilknyttet Tsinghua University fra marts 2016 til april 2022, alle patienter, der blev opereret på centerets operationsstue med godkendelse fra den etiske komité, blev inkluderet i undersøgelse. Undersøgelsen indhentede hovedsageligt patientinformation fra HIS-systemet og Medtronic-systemet og havde til formål at forudsige muligheden for IHBPV hos patienter baseret på baseline-information og intraoperative faktorer gennem ML-modeller og at forklare stigningen i risikoen for IHBPV blandt patienter gennem fortolkelig ML modeller.

Den oprindelige database bestod af 52250 tilfælde af generel anæstesikirurgi. Stikprøvestørrelsen var baseret på skalaen af ​​den eksisterende database, hvoraf 47520 operationer opfyldte kriterierne i denne undersøgelse. Inklusionskriterierne var patienter, der modtog generel anæstesi, intravenøs anæstesi eller intravenøs inhalationsbedøvelse og ASA1-5 grad. Og eksklusionskriterierne var operationer med manglende nøgleoplysninger og operationer, der ikke blev overvåget for blodtryk under hele operationen. Til operationer med manglende eller tvetydige oplysninger brugte vi en slettemetode for at sikre ægtheden af ​​dataene. Vigtige variabler inkluderede tidsregistreringer, vitale tegn og væskebalance. Den etiske komité på Beijing Tsinghua Chang Gung Hospital har godkendt undersøgelsen og givet afkald på kravet om personligt informeret samtykke, da det er en retrospektiv undersøgelse, denne forskning er også blevet godkendt af China Clinical Trial Registration Center. Denne undersøgelse fulgte den relevante del af "Transparent Reportingof a Multivariable Prediction Model for Individual Prognosis or Diagnosis" (TRIPOD) rapporteringsretningslinjer for kliniske forudsigelsesmodeller, som inkluderer almindeligt anvendte referenceelementer til opbygning af kliniske forudsigelsesmodeller.

2.2 Dataindsamling Denne undersøgelse indhentede hovedsageligt basislinjeinformationen for patienter fra HIS-systemet, herunder højde, vægt, køn, sygdomsdiagnose og kirurgisk metode, og udtog intraoperative faktorer fra Medtronics kirurgiske anæstesisystem som uafhængige variabler, herunder intraoperativt blodtryk, intraoperative lægemiddeldata, væskebalance og vigtige kirurgiske operationer registreret under operationen. Vi udvalgte nogle almindeligt anvendte lægemidler, og kriterierne for almindeligt anvendte lægemidler var, at brugshyppigheden af ​​stoffet i forskellige operationer oversteg en tiendedel. De almindeligt anvendte lægemidler er sevofluran, propofol, dexmedetomidin, midazolam, remifentanil, sufentanil, methoxamin og rocuronium; For præoperative diagnoser, i betragtning af deres indvirkning på blodtryksvariabiliteten, prioriterede vi udvindingen af ​​binære variabler relateret til blodtryk, såsom hjertedysfunktion og nyreinsufficiens.

2.3 Diagnostiske kriterier for IHBPV Det primære endepunkt for denne undersøgelse er blodtryksvariabilitet (BPV), som er blevet undersøgt i flere tidligere artikler, BPV har forskellige definitioner og beregningsmetoder, hver med sine egne fordele. Variationskoefficienten (CV) for intraoperativt middel arterielt tryk (MAP) blev brugt som et kvantitativt mål for BPV. Den tager hensyn til patientens blodtrykssvingninger, mens den også tager hensyn til deres baseline blodtryksniveau. I denne undersøgelse beregnede vi variationskoefficienten (CV) for den intraoperative MAP som en kvantitativ indikator for blodtryksvariabilitet (BPV), CV for MAP beregnes ved at dividere standardafvigelsen af ​​MAP med middelværdien af ​​MAP。 Iht. tidligere litteratur og retningslinjer, bør stigningen og faldet i patientens blodtryk under operationen ikke overstige 20 % af baseline-blodtryksværdien. Derfor definerer vi tilfælde af IHBPV som situationer, hvor CV'et for MAP overstiger 20% under operationen, uanset om stigningen i blodtryksvariabiliteten skyldes et fald eller en stigning i blodtrykket.

Blodtrykket registreret hvert femte minut fra begyndelsen af ​​anæstesien bruges til at beregne BPV, og den primære kilde til blodtryksinformation er den invasive arterielle linje, og hvis denne information ikke er tilgængelig, anvendes ikke-invasive manchetmålinger. På grund af de forskellige overvågningssituationer under operationen kan invasivt arterielt tryk registreres flere gange i minuttet, mens ikke-invasive manchetmålinger registreres mindst hvert femte minut. Alle registrerede blodtryksværdier bruges til at vurdere, om patienten overholder IHBPV.

2.3 Forudsigelse af modeller Forudsigelse er en overvåget maskinlæringsteknologi (ML), der er meget effektiv til at forudsige dataanalyse. Den er baseret på træningsdata til at kortlægge nye inputposter til specifikke afhængige outputvariabler baseret på de relevante uafhængige variabelværdier. På grund af dens evne til at håndtere komplekse korrelerede variabler og dens effektivitet i håndtering af gensidigt korrelerede variabler, er det afgørende at bruge nye forudsigelsesalgoritmer for at opnå optimal nøjagtighed.

I denne undersøgelse udviklede vi fire forudsigelsesmodeller for maskinlæring (ML), ekstrem gradientboosting (XGBoost) 、Light Gradient Boosting (LGBoost), vilkårlig skov (RF) og logistisk regression (LR) for at forudsige sandsynligheden for intraoperativt hypertensivt blodtryk variabilitet (IHBPV) ved hjælp af baseline information og intraoperative faktorer. Modellerne blev bygget ved hjælp af python 3.9-versionen, med pandaerne 1.3.4 bibliotek til datarensning, Scikit-Learn 0.24.2-biblioteket til modeloprettelse og hyperparameteroptimering og shap 0.41.0-biblioteket til fortolkning.

Træningen af ​​forudsigelsesmodellerne blev udført ved hjælp af et datasæt på 47520 patienter, som blev opdelt i trænings- (70 %) og testsæt (30 %) baseret på fordelingen af ​​udfaldsvariablen (fig. 1). Til valideringsformål blev der brugt en krydsvalideringstilgang til træningssættet. Ved verificering af sådanne datasæt blev der brugt en hierarkisk k-fold krydsvalidering på grund af dens effektivitet og glathed. Hvert datasæt blev tilfældigt opdelt i k-fold, hvor k 1-fold blev brugt til træningsformål og resten brugt som et valideringssæt. For at evaluere ydeevnen af ​​de tre forudsigelsesmodeller blev uafhængigt og iterativt valideret ved hjælp af k-fold krydsvalidering fra k = 5. Den bedste nøjagtighed af alle tre algoritmer blev opnået ved 5-fold krydsvalidering. Vores vigtigste indikator er at sammenligne arealet under kurven (AUC), arealet under modtagerens driftskarakteristik (ROC) kurven. Konfidensintervaller for AUC estimeres ved hjælp af en estimeret indikator på 100 bootstrappede prøver. De målinger, vi brugte til sammenligning, omfatter nøjagtighed, præcision, sensitivitet, specificitet og F1-score, som alle bruges til at måle ydeevnen af ​​en klassifikationsmodel. Sammenligningen af ​​flere målinger giver mulighed for en afbalanceret vurdering af modellens styrker og svagheder.

Permutation Importance-metoden bruges til at analysere følsomheden af ​​variabelmodellen. Permutation Importance er velegnet til tabeldata, og evalueringen af ​​vigtigheden af ​​en funktion afhænger af faldet i modellens ydeevne, efter at funktionen er tilfældigt omarrangeret. Den er heller ikke begrænset til specifikke modelkategorier og har en bred vifte af anvendelser. Permutationsfunktionsvigtighed er en modelverifikationsteknik, der arrangerer kendetegnsbetydningen af ​​de estimerede værdier af det givne datasæt, hvor vigtighed defineres som faldet i modelscoren, når en enkelt funktionsværdi blandes tilfældigt. Ændringen i modellens forudsigelsesevne bruges til at afgøre, om det er nødvendigt at slette de inkluderede variable. Denne teknik drager fordel af modellens ukendelighed og kan beregnes flere gange med forskellige funktionsarrangementer.

2.5 Tolkningsmetoder Forklarende metoder i denne undersøgelse er baseret på XGBoost, da XGBoost gav de bedste resultater i forudsigelse og har vist sig at have god kompatibilitet med SHAP-metoden i tidligere undersøgelser. XGBoost er en nyligt udviklet maskinlæringsteknologi, der er blevet brugt i vid udstrækning på mange områder. Som en bærbar og fleksibel metode er den velegnet til en række applikationer. Den er baseret på Årsagsbaseret beslutningstræ og Gradient Boosting Machine algoritme, hovedsageligt for at reducere fejlen i elevmodellen. I hver løft-iteration blev første og anden ordens gradienter af objektivfunktionen "kvadratfejl" beregnet for hver træningstilfælde. Så det er gennem flere simple basislærere, der konstant reducerer forskellen mellem modelværdier og faktiske værdier. Det får evnen til at forbedre træløftningsmetoder til hurtigt og præcist at behandle næsten alle datatyper. Med disse unikke funktioner kan algoritmen effektivt bruges i regressionsforudsigelsesmodeller. XGBoost Bruges også til at håndtere store datasæt med et stort antal egenskaber og klassifikationer og giver praktiske og dygtige løsninger, når man overvejer effektivitet og nøjagtighed.

Vi anvendte fortolkning på ML-modellen, og fortolkbare ML-modeller inkluderer lokale fortolkbare metoder, globale fortolkbare metoder og interaktive fortolkbare metoder. Lokale fortolkbare metoder kan specifikt identificere virkningen af ​​individuelle prædiktorer på udfaldsindekset for en enkelt prøve, dvs. udforske de perioperative prædiktorer, der har den største indflydelse på IHBPV. Det endelige output af lokalt tolkbare metoder er størrelsen og andelen af ​​ændringer i SHAP-værdier for hver prædiktor for en specifik patient. Globale fortolkbare metoder kan specifikt identificere den overordnede indvirkning af prædiktorer på resultater for alle prøver, dvs. udforske perioperative prædiktorer, der har en omfattende indflydelse på blodtryksvariabiliteten under operation for alle patienter. Endelig udforsker Interactive Interpretable-metoder de modificerende effekter blandt flere prædiktorer, dvs. fænomenet med en prædiktors indvirkning på resultatet, der ændrer sig med niveauet af andre prædiktorer på forskellige niveauer. Dens eksistens indikerer, at virkningerne af adskillige forudsigelser, der studeres samtidigt, ikke er uafhængige. Fortolkningen af ​​interaktion i denne undersøgelse kan specifikt identificere den fælles indvirkning af forskellige prædiktorer på IHBPV.