Intraoperatiivisen verenpaineen vaihtelun ennustemallin kehittäminen

1. Johdanto Verenpaineen vaihtelu (BPV) on kuvaus potilaan verenpaineen vaihteluasteesta, kuten keskihajonnasta, todellisesta keskimääräisestä vaihtelusta ja keskiarvosta riippumattomasta vaihtelusta. Yllä olevat termit kuvaavat kaikki BPV:n tilannetta vaihtelevassa määrin. BPV on jaettu eri tyyppeihin, ja potilaan lyhytaikainen BPV liittyy muihin termeihin BPV.Verenpaineen numeerisen arvon lisäksi korkea verenpaineen vaihtelu tuo mukanaan useita komplikaatioita, kuten kohde-elinvaurioita. 、sydän- ja verisuonitapahtumat ja jopa kuolema. Asiaankuuluvassa kirjallisuudessa ja ohjeissa suositellaan myös, että verenpaineen nousu tai lasku ei saisi ylittää 20 % perusverenpainearvosta, ja leikkauksen sisäisen korkean verenpaineen vaihtelun (IHBPV) riskin vähentämisestä on tullut yksi anestesiologien tärkeistä tehtävistä. leikkauksen aikana kirjattuja säännöllisiä elintoimintoja ovat verenpaine, syke ja hengitystiheys, mikä saattaa aiheuttaa sen, että anestesiologit eivät huomaa BPV:tä； IHBPV:tä aiheuttavat tekijät ovat monimutkaisia ​​ja potilaan oma verisuonten tila, sympaattinen hermosto, lääkkeiden käyttö, neste tasapaino ja kirurginen stimulaatio voivat aiheuttaa IHBPV:n ja lisätä sen perioperatiivista riskiä, ​​mikä vaikuttaa potilaan ennusteeseen. Moniulotteiset, ajassa vaihtelevat muutokset vaikeuttavat anestesiologisten arvioiden tekemistä, ja tällä hetkellä ei ole olemassa tehokasta IHBPV:n ennustamista ja selitystä.

   Koneoppiminen (ML) on monitieteinen ala, joka tutkii, kuinka tietokoneet simuloivat ihmisen oppimiskäyttäytymistä ja järjestävät uudelleen olemassa olevia tietorakenteita parantaakseen suorituskykyään ja hankkiakseen uusia tietoja ja taitoja. Viimeaikaiset tutkimukset ovat osoittaneet, että ML:llä on etuja monimutkaisten järjestelmien ennustamisessa ja selittämisessä, ML soveltuu monimutkaisen reaalimaailman datan analysointiin ja aikasarjatietojen käsittelyyn. Tämän tutkimuksen tarkoituksena oli rakentaa koneoppimismalleja IHBPV:n esiintymisen ennustamiseksi potilaiden kokonaisleikkauksen aikana ja selvittää IHBPV:hen johtavat perustiedot ja intraoperatiiviset tekijät, jotta anestesiologeja voitaisiin parantaa BPV:n hallinnan parantamisessa leikkauksen aikana. .

2. Materiaalit ja menetelmät 2.1 Tutkimuksen suunnittelu Tämä retrospektiivinen tutkimus keräsi tietoja Tsinghuan yliopistoon kuuluvasta Pekingin Tsinghua Chang Gung -sairaalasta maaliskuusta 2016 huhtikuuhun 2022. Kaikki potilaat, joille tehtiin leikkaus keskuksen leikkaussalissa eettisen komitean hyväksynnällä, otettiin mukaan opiskella. Tutkimuksessa saatiin pääosin potilaiden tietoja HIS-järjestelmästä ja Medtronic-järjestelmästä ja sen tavoitteena oli ennustaa IHBPV:n mahdollisuus potilailla lähtötilanteen tietojen ja intraoperatiivisten tekijöiden perusteella ML-mallien avulla sekä selittää IHBPV-riskin kasvu potilailla tulkittavan ML:n avulla. mallit.

Alkuperäinen tietokanta koostui 52 250 yleisanestesiakirurgian tapauksesta. Otoskoko perustui olemassa olevan tietokannan mittakaavaan, josta 47520 leikkausta täytti tämän tutkimuksen kriteerit. Osallistumiskriteerit olivat potilaat, jotka saivat yleisanestesian, suonensisäisen anestesian tai suonensisäisen inhalaatioanestesian ja ASA1-5-luokan. Ja poissulkemiskriteerit olivat leikkaukset, joista puuttui avaintieto, ja leikkaukset, joiden verenpainetta ei seurattu koko leikkauksen ajan. Leikkauksissa, joista puuttui tai epäselvä tieto, käytimme poistomenetelmää tietojen aitouden varmistamiseksi. Tärkeitä muuttujia olivat aikakirjaukset, elintoiminnot ja nestetasapaino. Pekingin Tsinghua Chang Gung -sairaalan eettinen komitea on hyväksynyt tutkimuksen ja luopunut henkilökohtaisen tietoisen suostumuksen vaatimuksesta, koska se on retrospektiivinen tutkimus, ja tämän tutkimuksen on hyväksynyt myös Kiinan kliinisten kokeiden rekisteröintikeskus. Tämä tutkimus noudatti asiaankuuluvaa osaa "Transparent Reportingof a Multivariable Prediction Model for Individual Prognosis or Diagnosis" (TRIPOD) -raportointiohjeet kliinisille ennustemalleille, jotka sisältävät yleisesti käytettyjä referenssikohteita kliinisten ennustemallien rakentamiseen.

2.2 Tiedonkeruu Tässä tutkimuksessa saatiin pääasiassa potilaiden perustiedot HIS-järjestelmästä, mukaan lukien pituus, paino, sukupuoli, sairauden diagnoosi ja kirurginen menetelmä, sekä Medtronic-kirurgisen anestesiajärjestelmän intraoperatiiviset tekijät itsenäisinä muuttujina, mukaan lukien leikkauksensisäinen verenpaine, leikkauksen aikana tallennetut intraoperatiiviset lääketiedot, nestetasapaino ja keskeiset kirurgiset leikkaukset. Valitsimme joitain yleisesti käytettyjä lääkkeitä, ja yleisesti käytettyjen lääkkeiden kriteerinä oli, että lääkkeen käyttötaajuus eri leikkauksissa ylitti kymmenesosan. Yleisesti käytettyjä lääkkeitä ovat sevofluraani, propofoli, deksmedetomidiini, midatsolaami, remifentaniili, sufentaniili, metoksamiini ja rokuroni; Leikkausta edeltävien diagnoosien osalta, kun otetaan huomioon niiden vaikutus verenpaineen vaihteluun, asetimme etusijalle verenpaineeseen liittyvien binäärimuuttujien, kuten sydämen toimintahäiriön ja munuaisten toimintahäiriön, erottamisen.

2.3 IHBPV:n diagnostiset kriteerit Tämän tutkimuksen ensisijainen päätetapahtuma on verenpaineen vaihtelu (BPV), jota on tutkittu useissa aikaisemmissa tutkimuksissa, BPV:llä on erilaisia ​​määritelmiä ja laskentamenetelmiä, jokaisella on omat etunsa. Leikkauksensisäisen keskivaltimonpaineen (MAP) variaatiokerrointa (MAP) käytettiin BPV:n kvantitatiivisena mittana. Se ottaa huomioon potilaan verenpaineen vaihtelut ja ottaa huomioon myös hänen lähtötasonsa verenpainetason. Tässä tutkimuksessa laskimme intraoperatiivisen MAP:n variaatiokertoimen (CV) verenpaineen vaihtelun (BPV) kvantitatiivisena indikaattorina, MAP:n CV lasketaan jakamalla MAP:n keskihajonta MAP:n keskiarvolla. aiemman kirjallisuuden ja ohjesuositusten mukaan potilaan verenpaineen nousu ja lasku leikkauksen aikana ei saa ylittää 20 % lähtötason verenpainearvosta. Siksi määrittelemme IHBPV-tapauksiksi tilanteita, joissa MAP:n CV ylittää 20 % leikkauksen aikana riippumatta siitä, johtuuko verenpaineen vaihtelun kasvu verenpaineen laskusta vai noususta.

BPV:n laskemiseen käytetään viiden minuutin välein anestesian alusta mitattua verenpainetta, ja verenpainetietojen ensisijainen lähde on invasiivinen valtimolinja, ja jos tätä tietoa ei ole saatavilla, käytetään non-invasiivisia mansettimittauksia. Leikkauksen eri seurantatilanteista johtuen invasiivinen valtimopaine voidaan mitata useita kertoja minuutissa, kun taas noninvasiiviset mansettimittaukset vähintään viiden minuutin välein. Kaikkia tallennettuja verenpainearvoja käytetään arvioimaan, noudattaako potilas IHBPV:tä.

2.3 Mallien ennustaminen Prediction on valvottu koneoppimistekniikka (ML), joka on erittäin tehokas data-analyysin ennustamisessa. Se perustuu opetustietoihin uusien tulotietueiden kartoittamiseksi tiettyihin riippuvaisiin lähtömuuttujiin asiaankuuluvien riippumattomien muuttujien arvojen perusteella. Koska se pystyy käsittelemään monimutkaisia ​​korreloituja muuttujia ja sen tehokkuutta keskenään korreloitujen muuttujien käsittelyssä, on ratkaisevan tärkeää käyttää uusia ennustealgoritmeja optimaalisen tarkkuuden saavuttamiseksi.

Tässä tutkimuksessa kehitimme neljä koneoppimisen (ML) ennustemallia, äärimmäisen gradientin tehostamisen (XGBoost), Light Gradient Boostingin (LGBoost), satunnaismetsän (RF) ja logistisen regression (LR) ennustamaan leikkauksensisäisen hypertensiivisen verenpaineen todennäköisyyttä. vaihtelua (IHBPV) käyttäen lähtötilanteen tietoja ja intraoperatiivisia tekijöitä. Mallit rakennettiin käyttämällä python 3.9 -versiota ja pandat 1.3.4 kirjasto tietojen puhdistamista varten, Scikit-Learn 0.24.2 -kirjasto mallin luomista ja hyperparametrien optimointia varten ja shap 0.41.0 -kirjasto tulkittavuutta varten.

Ennustemallien koulutus suoritettiin käyttämällä 47520 potilaan aineistoa, joka jaettiin tulosmuuttujan jakauman perusteella koulutus- (70 %) ja testaussarjoihin (30 %) (kuva 1). Validointia varten koulutussarjassa käytettiin ristiinvalidointia. Tällaisten aineistojen varmentamisessa käytettiin hierarkkista k-kertaista ristiinvalidointia sen tehokkuuden ja sujuvuuden vuoksi. Jokainen tietojoukko jaettiin satunnaisesti k kertaiseksi, k 1 taitosta käytettiin harjoitustarkoituksiin ja loput validointijoukona. Kolmen ennustemallin suorituskyvyn arvioiminen validoitiin itsenäisesti ja iteratiivisesti käyttämällä k-kertaista ristiinvalidointia arvosta k = 5. Kaikista kolmesta algoritmista paras tarkkuus saavutettiin 5-kertaisella ristiinvalidaatiolla. Pääindikaattorimme on verrata käyrän alla olevaa pinta-alaa (AUC), vastaanottimen toiminta-ominaiskäyrän alla olevaa pinta-alaa (ROC). AUC:n luottamusvälit arvioidaan käyttämällä arvioitua 100 bootstrapped-näytteen indikaattoria. Vertailussa käyttämiämme mittareita ovat tarkkuus, tarkkuus, herkkyys, spesifisyys ja F1-pisteet, joita kaikkia käytetään luokitusmallin suorituskyvyn mittaamiseen. Useiden mittareiden vertailu mahdollistaa mallin vahvuuksien ja heikkouksien tasapainoisen arvioinnin.

Permutation Importance -menetelmää käytetään muuttujamallin herkkyyden analysointiin. Permutaatioiden tärkeys soveltuu taulukkotietoihin, ja ominaisuuden tärkeyden arviointi riippuu mallin suorituskyvyn heikkenemisestä ominaisuuden satunnaisen uudelleenjärjestelyn jälkeen. Se ei myöskään rajoitu tiettyihin malliluokkiin, ja sillä on laaja valikoima sovelluksia. Permutaatioominaisuuden tärkeys on mallin varmennustekniikka, joka järjestää tietyn tietojoukon arvioitujen arvojen ominaisuuden tärkeyden, jossa tärkeys määritellään mallipisteiden laskuna, kun yksittäisen ominaisuuden arvo sekoitetaan satunnaisesti. Mallin ennustuskyvyn muutoksen perusteella määritetään, onko sisällytetyt muuttujat tarpeen poistaa. Tämä tekniikka hyötyy mallin tuntemattomuudesta, ja se voidaan laskea useita kertoja erilaisilla ominaisuusjärjestelyillä.

2.5 Tulkkausmenetelmät Tämän tutkimuksen selittävät menetelmät perustuvat XGBoostiin, sillä XGBoost tuotti parhaat tulokset ennustuksessa ja sen on aiemmissa tutkimuksissa osoitettu olevan hyvä yhteensopivuus SHAP-menetelmän kanssa. XGBoost on hiljattain kehitetty koneoppimistekniikka, jota on käytetty laajasti monilla aloilla. Kannettavana ja joustavana menetelmänä se soveltuu monenlaisiin sovelluksiin. Se perustuu Cause Based Decision Tree- ja Gradient Boosting Machine -algoritmiin, pääasiassa oppijamallin virheiden vähentämiseksi. Jokaisessa nostoiteraatiossa laskettiin tavoitefunktion "neliövirhe" ensimmäisen ja toisen asteen gradientti kullekin harjoitustapaukselle. Niinpä useiden yksinkertaisten perusoppijoiden avulla pienennetään jatkuvasti malliarvojen ja todellisten arvojen välistä eroa. Se saa mahdollisuuden parantaa puiden nostomenetelmiä, jotta lähes kaikki tietotyypit voidaan käsitellä nopeasti ja tarkasti. Näillä ainutlaatuisilla funktioilla algoritmia voidaan käyttää tehokkaasti regressioennustemalleissa. XGBoostia käytetään myös käsittelemään suuria tietojoukkoja, joissa on suuri määrä ominaisuuksia ja luokituksia, ja se tarjoaa käytännöllisiä ja asiantuntevia ratkaisuja harkittaessa tehokkuuden ja tarkkuuden kompromisseja.

Sovelsimme tulkittavuutta ML-malliin, ja tulkittavia ML-malleja ovat Local Interpretable -menetelmät, Global Interpretable -menetelmät ja Interactive Interpretable -menetelmät. Paikallisilla tulkittavilla menetelmillä voidaan erityisesti tunnistaa yksittäisten ennustajien vaikutus yksittäisen näytteen tulosindeksiin, eli tutkia perioperatiivisia ennustajia, joilla on suurin vaikutus IHBPV:hen. Local Interpretable -menetelmien lopullinen tulos on kunkin potilaan SHAP-arvojen muutosten koko ja osuus. Globaalit tulkittavat menetelmät voivat erityisesti tunnistaa ennustajien kokonaisvaikutuksen kaikkien näytteiden tuloksiin, eli tutkia perioperatiivisia ennustajia, joilla on kattava vaikutus verenpaineen vaihteluun leikkauksen aikana kaikille potilaille. Lopuksi Interactive Interpretable -menetelmät tutkivat useiden ennustajien modifioivia vaikutuksia, eli ilmiötä, jossa ennustajan vaikutus lopputulokseen muuttuu muiden ennustajien tason kanssa eri tasoilla. Sen olemassaolo osoittaa, että useiden samanaikaisesti tutkittujen ennustajien vaikutukset eivät ole riippumattomia. Vuorovaikutuksen tulkinta tässä tutkimuksessa voi erityisesti tunnistaa eri ennustajien yhteisvaikutuksen IHBPV:hen.