Entwicklung eines Vorhersagemodells für die intraoperative Blutdruckvariabilität

1. Einführung Die Blutdruckvariabilität (BPV) ist eine Beschreibung des Schwankungsgrades des Blutdrucks eines Patienten, wie z. B. Standardabweichung, durchschnittliche reale Variabilität und vom Mittelwert unabhängige Variabilität. Die oben genannten Begriffe beschreiben alle die Situation von BPV in unterschiedlichem Maße. BPV wird in verschiedene Typen unterteilt, und der kurzfristige BPV des Patienten ist mit anderen Begriffen BPV verwandt. Zusätzlich zum numerischen Wert des Blutdrucks selbst bringt die Variabilität des hohen Blutdrucks eine Reihe von Komplikationen mit sich, z. B. Schäden am Zielorgan 、kardiovaskuläre Ereignisse und sogar der Tod. Einschlägige Literatur und Leitlinien empfehlen auch, dass die Erhöhung oder Senkung des Blutdrucks 20 % des Basisblutdruckwerts nicht überschreiten sollte, und die Verringerung des Risikos einer intraoperativen Bluthochdruckvariabilität (IHBPV) ist zu einer der wichtigen Aufgaben von Anästhesisten geworden Zu den regelmäßigen während der Operation aufgezeichneten Vitalfunktionen gehören Blutdruck, Herzfrequenz und Atemfrequenz, die dazu führen können, dass BPV von Anästhesisten übersehen wird Gleichgewicht und chirurgische Stimulation können IHBPV verursachen und das perioperative Risiko erhöhen, was sich auf die Prognose des Patienten auswirkt. Multidimensionale, zeitvariable Veränderungen erschweren Anästhesisten die Beurteilung, und es mangelt derzeit an einer effektiven Vorhersage und Erklärung von IHBPV.

   Maschinelles Lernen (ML) ist ein interdisziplinäres Gebiet, das untersucht, wie Computer menschliches Lernverhalten simulieren und bestehende Wissensstrukturen reorganisieren, um ihre Leistung zu verbessern und neue Kenntnisse und Fähigkeiten zu erwerben. Jüngste Forschungen haben ergeben, dass ML Vorteile bei der Vorhersage und Erklärung komplexer Systeme hat, ML eignet sich zur Analyse komplexer Daten aus der realen Welt und zur Verarbeitung von Zeitreihendaten. Der Zweck dieser Studie bestand darin, maschinelle Lernmodelle zu konstruieren, um das Auftreten von IHBPV während der gesamten Operation bei Patienten vorherzusagen und die Ausgangsinformationen und intraoperativen Faktoren zu klären, die zu IHBPV führen, um Anästhesisten bei der Verbesserung des Managements von BPV während der Operation zu unterstützen .

2. Materialien und Methoden 2.1 Studiendesign Diese retrospektive Studie sammelte von März 2016 bis April 2022 Daten aus dem Beijing Tsinghua Chang Gung Hospital, das mit der Tsinghua University verbunden ist, alle Patienten, die sich mit Zustimmung der Ethikkommission einer Operation im Operationssaal des Zentrums unterzogen, wurden in die Studie eingeschlossen lernen. Die Studie erhielt hauptsächlich Patienteninformationen aus dem HIS-System und dem Medtronic-System und zielte darauf ab, die Möglichkeit von IHBPV bei Patienten basierend auf Ausgangsinformationen und intraoperativen Faktoren durch ML-Modelle vorherzusagen und den Anstieg des IHBPV-Risikos bei Patienten durch interpretierbare ML zu erklären Modelle.

Die ursprüngliche Datenbank bestand aus 52250 Fällen von Operationen in Vollnarkose. Die Stichprobengröße orientierte sich am Umfang der bestehenden Datenbank, von der 47520 Operationen die Kriterien dieser Studie erfüllten. Die Einschlusskriterien waren Patienten, die eine Vollnarkose, intravenöse Anästhesie oder intravenöse Inhalationsanästhesie und ASA1-5-Grad erhielten. Und die Ausschlusskriterien waren Operationen mit fehlenden Schlüsselinformationen und Operationen, bei denen der Blutdruck während der gesamten Operation nicht überwacht wurde. Bei Operationen mit fehlenden oder nicht eindeutigen Informationen haben wir ein Löschverfahren verwendet, um die Authentizität der Daten sicherzustellen. Wichtige Variablen waren Zeitaufzeichnungen, Vitalzeichen und Flüssigkeitshaushalt. Die Ethikkommission des Beijing Tsinghua Chang Gung Hospital hat die Studie genehmigt und auf die Anforderung einer persönlichen Einverständniserklärung verzichtet, da es sich um eine retrospektive Studie handelt, diese Forschung wurde auch vom China Clinical Trial Registration Center genehmigt. Diese Studie folgte dem relevanten Teil von die "Transparent Reportingof a Multivariable Prediction Model for Individual Prognosis or Diagnosis" (TRIPOD) Berichterstattungsrichtlinien für klinische Vorhersagemodelle, die häufig verwendete Referenzelemente für den Aufbau klinischer Vorhersagemodelle enthalten.

2.2 Datensammlung In dieser Studie wurden hauptsächlich Basisinformationen von Patienten aus dem KIS-System, einschließlich Größe, Gewicht, Geschlecht, Krankheitsdiagnose und Operationsmethode, gewonnen und intraoperative Faktoren aus dem chirurgischen Anästhesiesystem von Medtronic als unabhängige Variablen extrahiert, einschließlich intraoperativer Blutdruck, intraoperative Arzneimitteldaten, Flüssigkeitshaushalt und während der Operation aufgezeichnete wichtige chirurgische Eingriffe. Wir haben einige häufig verwendete Medikamente ausgewählt, und die Kriterien für häufig verwendete Medikamente waren, dass die Verwendungshäufigkeit des Medikaments in verschiedenen Operationen ein Zehntel überstieg. Die am häufigsten verwendeten Medikamente sind Sevofluran, Propofol, Dexmedetomidin, Midazolam, Remifentanil, Sufentanil, Methoxamin und Rocuronium; Für präoperative Diagnosen priorisierten wir unter Berücksichtigung ihres Einflusses auf die Blutdruckvariabilität die Extraktion binärer Variablen im Zusammenhang mit dem Blutdruck, wie z. B. Herzfunktionsstörungen und Nierenfunktionsstörungen.

2.3 Diagnostische Kriterien für IHBPV Der primäre Endpunkt dieser Studie ist die Blutdruckvariabilität (BPV), die in mehreren früheren Arbeiten untersucht wurde. BPV hat unterschiedliche Definitionen und Berechnungsmethoden, jede mit ihren eigenen Vorteilen. Der Variationskoeffizient (CV) des intraoperativen mittleren arteriellen Drucks (MAP) wurde als quantitatives Maß für den BPV verwendet. Er berücksichtigt die Blutdruckschwankungen des Patienten und berücksichtigt auch seinen Ausgangsblutdruck. In dieser Studie haben wir den Variationskoeffizienten (CV) des intraoperativen MAP als quantitativen Indikator der Blutdruckvariabilität (BPV) berechnet. Der CV des MAP wird berechnet, indem die Standardabweichung des MAP durch den Mittelwert des MAP dividiert wird früherer Literatur und Leitlinienempfehlungen sollte der Anstieg und Abfall des Patientenblutdrucks während der Operation 20 % des Ausgangsblutdruckwerts nicht überschreiten. Daher definieren wir Fälle von IHBPV als Situationen, in denen der CV von MAP während der Operation 20 % übersteigt, unabhängig davon, ob die Zunahme der Blutdruckvariabilität auf eine Abnahme oder eine Zunahme des Blutdrucks zurückzuführen ist.

Der alle fünf Minuten ab Beginn der Anästhesie aufgezeichnete Blutdruck wird zur Berechnung des BPV verwendet, und die primäre Quelle für Blutdruckinformationen ist die invasive Arterienleitung, und wenn diese Informationen nicht verfügbar sind, werden nicht-invasive Manschettenmessungen verwendet. Aufgrund der unterschiedlichen Überwachungssituationen während der Operation kann der invasive arterielle Druck mehrmals pro Minute aufgezeichnet werden, während nicht-invasive Manschettenmessungen mindestens alle fünf Minuten aufgezeichnet werden. Alle aufgezeichneten Blutdruckwerte werden verwendet, um zu beurteilen, ob der Patient IHBPV einhält.

2.3 Vorhersagemodelle Vorhersage ist eine Technologie für überwachtes maschinelles Lernen (ML), die sehr effektiv bei der Vorhersage von Datenanalysen ist. Es basiert auf Trainingsdaten, um neue Eingabedatensätze auf der Grundlage der relevanten unabhängigen Variablenwerte in spezifische abhängige Ausgabevariablen abzubilden. Aufgrund seiner Fähigkeit, mit komplexen korrelierten Variablen umzugehen, und seiner Effektivität beim Umgang mit gegenseitig korrelierten Variablen ist es entscheidend, neuartige Vorhersagealgorithmen zu verwenden, um eine optimale Genauigkeit zu erreichen.

In dieser Studie haben wir vier Vorhersagemodelle für maschinelles Lernen (ML) entwickelt: Extreme Gradient Boosting (XGBoost), Light Gradient Boosting (LGBoost), Random Forest (RF) und logistische Regression (LR), um die Wahrscheinlichkeit eines intraoperativen hypertensiven Blutdrucks vorherzusagen Variabilität (IHBPV) unter Verwendung von Baseline-Informationen und intraoperativen Faktoren. Die Modelle wurden mit der Python-Version 3.9 erstellt, mit den Pandas 1.3.4 Bibliothek für die Datenbereinigung, die Bibliothek Scikit-Learn 0.24.2 für die Modellerstellung und Hyperparameteroptimierung und die Bibliothek shap 0.41.0 für die Interpretierbarkeit.

Das Training der Vorhersagemodelle wurde anhand eines Datensatzes von 47520 Patienten durchgeführt, der basierend auf der Verteilung der Ergebnisvariablen in Trainings- (70 %) und Testsätze (30 %) aufgeteilt wurde (Abb. 1). Zu Validierungszwecken wurde für den Trainingssatz ein Kreuzvalidierungsansatz verwendet. Bei der Überprüfung solcher Datensätze wurde aufgrund ihrer Effizienz und Glätte eine hierarchische k-fache Kreuzvalidierung verwendet. Jeder Datensatz wurde zufällig in k Falten unterteilt, wobei k 1 Falten für Trainingszwecke und der Rest als Validierungssatz verwendet wurden. Um die Leistung der drei Vorhersagemodelle zu bewerten, wurde sie unabhängig und iterativ unter Verwendung einer k-fachen Kreuzvalidierung von k = 5 validiert. Die beste Genauigkeit aller drei Algorithmen wurde durch 5-fache Kreuzvalidierung erreicht. Unser Hauptindikator ist der Vergleich der Fläche unter der Kurve (AUC) mit der Fläche unter der Kurve der Empfängerbetriebscharakteristik (ROC). Konfidenzintervalle der AUC werden unter Verwendung eines geschätzten Indikators von 100 Bootstrap-Stichproben geschätzt. Zu den Metriken, die wir für den Vergleich verwendet haben, gehören Genauigkeit, Präzision, Sensitivität, Spezifität und F1-Score, die alle verwendet werden, um die Leistung eines Klassifizierungsmodells zu messen. Der Vergleich mehrerer Metriken ermöglicht eine ausgewogene Bewertung der Stärken und Schwächen des Modells.

Die Permutation Importance-Methode wird verwendet, um die Sensitivität des Variablenmodells zu analysieren. Die Wichtigkeit der Permutation eignet sich für tabellarische Daten, und die Bewertung der Wichtigkeit eines Merkmals hängt von der Abnahme der Leistung des Modells ab, nachdem das Merkmal zufällig neu angeordnet wurde. Es ist auch nicht auf bestimmte Modellkategorien beschränkt und hat ein breites Anwendungsspektrum. Permutationsmerkmalswichtigkeit ist eine Modellüberprüfungstechnik, die die Merkmalswichtigkeit der geschätzten Werte des gegebenen Datensatzes anordnet, wobei die Wichtigkeit als die Abnahme der Modellpunktzahl definiert ist, wenn ein einzelner Merkmalswert zufällig gemischt wird. Die Änderung der Vorhersagefähigkeit des Modells wird verwendet, um zu bestimmen, ob es notwendig ist, die eingeschlossenen Variablen zu löschen. Diese Technik profitiert von der Unkenntnis des Modells und kann mehrfach mit unterschiedlichen Merkmalsanordnungen berechnet werden.

2.5 Interpretationsmethoden Die erklärenden Methoden in dieser Studie basieren auf XGBoost, da XGBoost die besten Ergebnisse bei der Vorhersage lieferte und sich in früheren Studien als gut kompatibel mit der SHAP-Methode erwiesen hat. XGBoost ist eine kürzlich entwickelte maschinelle Lerntechnologie, die in vielen Bereichen weit verbreitet ist. Als tragbares und flexibles Verfahren ist es für eine Vielzahl von Anwendungen geeignet. Es basiert auf einem ursachenbasierten Entscheidungsbaum und einem Gradient Boosting Machine-Algorithmus, hauptsächlich um den Fehler des Lernmodells zu reduzieren. In jeder Lift-Iteration wurden für jeden Trainingsfall die Gradienten erster und zweiter Ordnung der Zielfunktion „Quadratischer Fehler“ berechnet. Es ist also durch mehrere einfache Basislerner, die den Unterschied zwischen Modellwerten und tatsächlichen Werten ständig verringern. Es erhält die Fähigkeit, Tree-Lifting-Methoden zu verbessern, um fast alle Datentypen schnell und genau zu verarbeiten. Mit diesen einzigartigen Funktionen kann der Algorithmus effektiv in Regressionsvorhersagemodellen verwendet werden. XGBoost wird auch verwendet, um große Datensätze mit einer großen Anzahl von Eigenschaften und Klassifizierungen zu handhaben und bietet praktische und kompetente Lösungen, wenn es um Kompromisse zwischen Effizienz und Genauigkeit geht.

Wir haben die Interpretierbarkeit auf das ML-Modell angewendet, und interpretierbare ML-Modelle umfassen Local Interpretable-Methoden, Global Interpretable-Methoden und Interactive Interpretable-Methoden. Local Interpretable-Methoden können den Einfluss einzelner Prädiktoren auf den Ergebnisindex für eine einzelne Probe spezifisch identifizieren, d. h. die perioperativen Prädiktoren untersuchen, die den größten Einfluss auf IHBPV haben. Die endgültige Ausgabe von Local Interpretable-Methoden ist die Größe und der Anteil der Änderungen der SHAP-Werte für jeden Prädiktor für einen bestimmten Patienten. Global Interpretable-Methoden können den Gesamteinfluss von Prädiktoren auf die Ergebnisse für alle Proben spezifisch identifizieren, d. h. die Untersuchung perioperativer Prädiktoren, die einen umfassenden Einfluss auf die Blutdruckvariabilität während der Operation für alle Patienten haben. Schließlich untersuchen Interactive Interpretable-Methoden die modifizierenden Effekte zwischen mehreren Prädiktoren, d. h. das Phänomen, dass sich der Einfluss eines Prädiktors auf das Ergebnis mit der Ebene anderer Prädiktoren auf unterschiedlichen Ebenen ändert. Seine Existenz weist darauf hin, dass die Wirkungen mehrerer gleichzeitig untersuchter Prädiktoren nicht unabhängig sind. Die Interpretation der Interaktion in dieser Studie kann speziell den gemeinsamen Einfluss verschiedener Prädiktoren auf IHBPV identifizieren.