Cette page a été traduite automatiquement et l'exactitude de la traduction n'est pas garantie. Veuillez vous référer au version anglaise pour un texte source.

Développement d'un modèle de prédiction de la variabilité de la pression artérielle peropératoire

20 juin 2023 mis à jour par: Zhifeng Gao, Beijing Tsinghua Chang Gung Hospital

Développement d'un modèle prédictif de la variabilité de la pression artérielle peropératoire : une étude de cohorte rétrospective

Objectif : Le but de cette étude était d'utiliser l'apprentissage automatique pour prédire et interpréter la variabilité peropératoire de l'hypertension artérielle (IHBPV).

Conception : Étude de cohorte rétrospective. Cadre : Hôpital Tsinghua Chang Gung de Pékin. Sources de données : 47520 opérations réalisées sous anesthésie générale au bloc opératoire central de mars 2016 à avril 2022.

Interventions : Aucune. Mesures : Nous avons recueilli des données sur les informations de base préopératoires et les variables peropératoires. Le modèle a été construit avec Python et exécuté à l'aide des modèles suivants : XGBoost, forêt aléatoire, LGBoost et régression logistique.

Aperçu de l'étude

Statut

Complété

Intervention / Traitement

Description détaillée

  1. Introduction La variabilité de la pression artérielle (BPV) est une description du degré de fluctuation de la pression artérielle d'un patient, comme l'écart type, la variabilité réelle moyenne et la variabilité indépendante de la moyenne. Les termes ci-dessus décrivent tous la situation de la BPV à des degrés divers. Le BPV est divisé en différents types, et le BPV à court terme du patient est lié à d'autres termes BPV。En plus de la valeur numérique de la pression artérielle elle-même, la variabilité de l'hypertension artérielle entraînera une série de complications, telles que des dommages aux organes cibles 、événements cardiovasculaires, et même la mort. La littérature et les directives pertinentes recommandent également que l'augmentation ou la diminution de la pression artérielle ne dépasse pas 20 % de la valeur de base de la pression artérielle, et la réduction du risque de variabilité de l'hypertension artérielle peropératoire (IHBPV) est devenue l'une des tâches importantes des anesthésistes. les signes vitaux réguliers enregistrés pendant la chirurgie comprennent la pression artérielle, la fréquence cardiaque et la fréquence respiratoire, ce qui peut faire oublier le BPV par les anesthésistes ; les facteurs qui causent l'IHBPV sont complexes, et le propre état vasculaire du patient, l'excitabilité nerveuse sympathique, l'utilisation de médicaments, l'équilibre et la stimulation chirurgicale peuvent provoquer l'IHBPV et augmenter son risque périopératoire, affectant le pronostic du patient. Les changements multidimensionnels et variant dans le temps rendent difficile pour les anesthésistes de porter des jugements, et il y a actuellement un manque de prédiction et d'explication efficaces de l'IHBPV.

    L'apprentissage automatique (ML) est un domaine interdisciplinaire qui étudie comment les ordinateurs simulent le comportement d'apprentissage humain et réorganisent les structures de connaissances existantes pour améliorer leurs performances et acquérir de nouvelles connaissances et compétences. Des recherches récentes ont montré que ML présente des avantages pour prédire et expliquer des systèmes complexes, ML convient à l'analyse de données complexes du monde réel et au traitement de données de séries chronologiques. Le but de cette étude était de construire des modèles d'apprentissage automatique pour prédire l'apparition de l'IHBPV au cours de la chirurgie globale chez les patients, et de clarifier les informations de base et les facteurs peropératoires qui conduisent à l'IHBPV, afin d'aider les anesthésiologistes à améliorer la gestion du BPV pendant la chirurgie. .

  2. Matériels et méthodes 2.1 Conception de l'étude Cette étude rétrospective a recueilli des données de l'hôpital Tsinghua Chang Gung de Pékin affilié à l'Université Tsinghua de mars 2016 à avril 2022, tous les patients ayant subi une intervention chirurgicale au bloc opératoire du centre avec l'approbation du comité d'éthique ont été inclus dans le étudier. L'étude a principalement obtenu des informations sur les patients à partir du système HIS et du système Medtronic et visait à prédire la possibilité d'IHBPV chez les patients sur la base d'informations de base et de facteurs peropératoires via des modèles ML et à expliquer l'augmentation du risque d'IHBPV chez les patients via ML interprétable des modèles.

La base de données originale se composait de 52250 cas de chirurgie d'anesthésie générale. La taille de l'échantillon était basée sur l'échelle de la base de données existante, dont 47520 interventions chirurgicales répondaient aux critères de cette étude. Les critères d'inclusion étaient les patients ayant reçu une anesthésie générale, une anesthésie intraveineuse ou une anesthésie par inhalation intraveineuse et un grade ASA1-5. Et les critères d'exclusion étaient les chirurgies avec des informations clés manquantes et les chirurgies dont la tension artérielle n'a pas été surveillée tout au long de l'opération. Pour les chirurgies avec des informations manquantes ou ambiguës, nous avons utilisé une méthode de suppression pour garantir l'authenticité des données. Les variables importantes comprenaient les relevés de temps, les signes vitaux et l'équilibre hydrique. Le comité d'éthique de l'hôpital Tsinghua Chang Gung de Pékin a approuvé l'étude et a renoncé à l'exigence d'un consentement éclairé personnel, car il s'agit d'une étude rétrospective, cette recherche a également été approuvée par le centre d'enregistrement des essais cliniques de Chine. Cette étude a suivi la partie pertinente de les directives de rapport « Transparent Reportingof a Multivariable Prediction Model for Individual Prognosis or Diagnosis » (TRIPOD) pour les modèles de prédiction clinique, qui comprennent des éléments de référence couramment utilisés pour la construction de modèles de prédiction clinique.

2.2 Collecte de données Cette étude a principalement obtenu les informations de base des patients à partir du système HIS, y compris la taille, le poids, le sexe, le diagnostic de la maladie et la méthode chirurgicale, et a extrait les facteurs peropératoires du système d'anesthésie chirurgicale Medtronic en tant que variables indépendantes, y compris la pression artérielle peropératoire, les données peropératoires sur les médicaments, l'équilibre hydrique et les principales opérations chirurgicales enregistrées pendant la chirurgie. Nous avons sélectionné certains médicaments couramment utilisés, et les critères pour les médicaments couramment utilisés étaient que la fréquence d'utilisation du médicament dans diverses chirurgies dépassait un dixième. Les médicaments couramment utilisés sont le sévoflurane, le propofol, la dexmédétomidine, le midazolam, le rémifentanil, le sufentanil, la méthoxamine et le rocuronium ; Pour les diagnostics préopératoires, compte tenu de leur impact sur la variabilité de la pression artérielle, nous avons privilégié l'extraction de variables binaires liées à la pression artérielle, telles que la dysfonction cardiaque et la dysfonction rénale.

2.3 Critères diagnostiques de l'IHBPV Le principal critère d'évaluation de cette étude est la variabilité de la pression artérielle (BPV) qui a été étudiée dans plusieurs articles précédents, BPV a différentes définitions et méthodes de calcul, chacune avec ses propres avantages. Le coefficient de variation (CV) de la pression artérielle moyenne peropératoire (MAP) a été utilisé comme mesure quantitative de la BPV. Il prend en compte les fluctuations de la pression artérielle du patient tout en tenant compte de son niveau de pression artérielle de base. Dans cette étude, nous avons calculé le coefficient de variation (CV) de la MAP peropératoire comme indicateur quantitatif de la variabilité de la pression artérielle (BPV), le CV de la MAP est calculé en divisant l'écart type de la MAP par la valeur moyenne de la MAP。 Selon la littérature précédente et les recommandations des lignes directrices, l'augmentation et la diminution de la pression artérielle du patient pendant la chirurgie ne doivent pas dépasser 20 % de la valeur de la pression artérielle de base. Par conséquent, nous définissons les cas d'IHBPV comme des situations où le CV de la PAM dépasse 20 % pendant la chirurgie, que l'augmentation de la variabilité de la pression artérielle soit due à une diminution ou à une augmentation de la pression artérielle.

La pression artérielle enregistrée toutes les cinq minutes depuis le début de l'anesthésie est utilisée pour calculer la BPV, et la principale source d'informations sur la pression artérielle est la ligne artérielle invasive, et si cette information n'est pas disponible, des mesures non invasives du brassard sont utilisées. En raison des différentes situations de surveillance pendant la chirurgie, la pression artérielle invasive peut être enregistrée plusieurs fois par minute, tandis que les mesures non invasives du brassard sont enregistrées au moins toutes les cinq minutes. Toutes les valeurs de tension artérielle enregistrées sont utilisées pour déterminer si le patient respecte l'IHBPV.

2.3 Modèles de prédiction La prédiction est une technologie d'apprentissage automatique supervisé (ML) qui est très efficace pour prédire l'analyse des données. Il est basé sur des données d'apprentissage pour mapper de nouveaux enregistrements d'entrée dans des variables de sortie dépendantes spécifiques en fonction des valeurs de variables indépendantes pertinentes. En raison de sa capacité à gérer des variables corrélées complexes et de son efficacité à gérer des variables mutuellement corrélées, il est crucial d'utiliser de nouveaux algorithmes de prédiction pour obtenir une précision optimale.

Dans cette étude, nous avons développé quatre modèles de prédiction d'apprentissage automatique (ML), l'amplification de gradient extrême (XGBoost), l'amplification de gradient léger (LGBoost), la forêt aléatoire (RF) et la régression logistique (LR) pour prédire la probabilité de pression artérielle hypertensive peropératoire. variabilité (IHBPV) en utilisant les informations de base et les facteurs peropératoires. Les modèles ont été construits en utilisant la version python 3.9, avec les pandas 1.3.4 bibliothèque pour le nettoyage des données, la bibliothèque Scikit-Learn 0.24.2 pour la création de modèles et l'optimisation des hyperparamètres, et la bibliothèque shap 0.41.0 pour l'interprétabilité.

La formation des modèles de prédiction a été réalisée à l'aide d'un ensemble de données de 47520 patients, qui a été divisé en ensembles de formation (70%) et de test (30%) en fonction de la distribution de la variable de résultat (Fig. 1). À des fins de validation, une approche de validation croisée a été utilisée pour l'ensemble de formation. Lors de la vérification de ces ensembles de données, une validation croisée hiérarchique k-fold a été utilisée en raison de son efficacité et de sa fluidité. Chaque ensemble de données a été divisé au hasard en k plis, avec k 1 plis utilisés à des fins de formation et le reste utilisé comme ensemble de validation. Pour évaluer les performances des trois modèles de prédiction, ils ont été validés de manière indépendante et itérative à l'aide d'une validation croisée k-fold à partir de k = 5. La meilleure précision des trois algorithmes a été obtenue par une validation croisée quintuple. Notre principal indicateur est de comparer la zone sous la courbe (AUC), la zone sous la caractéristique de fonctionnement du récepteur (ROC). Les intervalles de confiance de l'AUC sont estimés à l'aide d'un indicateur estimé de 100 échantillons bootstrap. Les paramètres que nous avons utilisés pour la comparaison comprennent l'exactitude, la précision, la sensibilité, la spécificité et le score F1, qui sont tous utilisés pour mesurer les performances d'un modèle de classification. La comparaison de plusieurs paramètres permet une évaluation équilibrée des forces et des faiblesses du modèle.

La méthode Permutation Importance est utilisée pour analyser la sensibilité du modèle de variables. L'importance de la permutation convient aux données tabulaires, et l'évaluation de l'importance d'une caractéristique dépend de la baisse des performances du modèle après la réorganisation aléatoire de la caractéristique. Il n'est pas non plus limité à des catégories de modèles spécifiques et a un large éventail d'applications. L'importance des caractéristiques de permutation est une technique de vérification de modèle qui organise l'importance des caractéristiques des valeurs estimées de l'ensemble de données donné, où l'importance est définie comme la baisse du score du modèle lorsqu'une seule valeur de caractéristique est mélangée de manière aléatoire. La modification de la capacité de prédiction du modèle est utilisée pour déterminer s'il est nécessaire de supprimer les variables incluses. Cette technique bénéficie de l'inconnaissabilité du modèle et peut être calculée plusieurs fois avec différentes dispositions d'entités.

2.5 Interprétation des méthodes Les méthodes explicatives de cette étude sont basées sur XGBoost, car XGBoost a donné les meilleurs résultats en matière de prédiction et s'est avéré avoir une bonne compatibilité avec la méthode SHAP dans des études précédentes. XGBoost est une technologie d'apprentissage automatique récemment développée qui a été largement utilisée dans de nombreux domaines. En tant que méthode portable et flexible, elle convient à une variété d'applications. Il est basé sur l'arbre de décision basé sur les causes et l'algorithme Gradient Boosting Machine, principalement pour réduire l'erreur du modèle de l'apprenant. Dans chaque itération de levage, les gradients de premier et de second ordre de la fonction objectif "erreur quadratique" ont été calculés pour chaque cas d'entraînement. C'est donc grâce à de multiples apprenants de base simples, qui réduisent constamment l'écart entre les valeurs du modèle et les valeurs réelles. Il acquiert la capacité d'améliorer les méthodes de levage d'arbres pour traiter rapidement et avec précision presque tous les types de données. Grâce à ces fonctions uniques, l'algorithme peut être utilisé efficacement dans les modèles de prédiction de régression. XGBoost est également utilisé pour gérer de grands ensembles de données avec un grand nombre de propriétés et de classifications et fournit des solutions pratiques et efficaces lorsque l'on considère les compromis d'efficacité et de précision.

Nous avons appliqué l'interprétabilité au modèle ML, et les modèles ML interprétables incluent les méthodes interprétables locales, les méthodes interprétables globales et les méthodes interprétables interactives. Les méthodes interprétables locales peuvent identifier spécifiquement l'impact des prédicteurs individuels sur l'indice de résultat pour un seul échantillon, c'est-à-dire explorer les prédicteurs périopératoires qui ont le plus grand impact sur l'IHBPV. Le résultat final des méthodes Local Interpretable est la taille et la proportion des changements dans les valeurs SHAP pour chaque prédicteur pour un patient spécifique. Les méthodes globales interprétables peuvent identifier spécifiquement l'impact global des prédicteurs sur les résultats pour tous les échantillons, c'est-à-dire explorer les prédicteurs périopératoires qui ont un impact global sur la variabilité de la pression artérielle pendant la chirurgie pour tous les patients. Enfin, les méthodes interactives interprétables explorent les effets modificateurs parmi plusieurs prédicteurs, c'est-à-dire le phénomène de l'impact d'un prédicteur sur le résultat changeant avec le niveau d'autres prédicteurs à différents niveaux. Son existence indique que les effets de plusieurs prédicteurs étudiés simultanément ne sont pas indépendants. L'interprétation de l'interaction dans cette étude permet d'identifier spécifiquement l'impact conjoint de différents prédicteurs sur l'IHBPV.

Type d'étude

Observationnel

Inscription (Réel)

47520

Contacts et emplacements

Cette section fournit les coordonnées de ceux qui mènent l'étude et des informations sur le lieu où cette étude est menée.

Lieux d'étude

    • Beijing
      • Beijing, Beijing, Chine, 102218
        • Zhifeng Gao

Critères de participation

Les chercheurs recherchent des personnes qui correspondent à une certaine description, appelée critères d'éligibilité. Certains exemples de ces critères sont l'état de santé général d'une personne ou des traitements antérieurs.

Critère d'éligibilité

Âges éligibles pour étudier

  • Enfant
  • Adulte
  • Adulte plus âgé

Accepte les volontaires sains

Non

Méthode d'échantillonnage

Échantillon de probabilité

Population étudiée

a base de données originale se composait de 52250 cas de chirurgie d'anesthésie générale. La taille de l'échantillon était basée sur l'échelle de la base de données existante, dont 47520 interventions chirurgicales répondaient aux critères de cette étude.

La description

Critère d'intégration:

  • les patients qui ont reçu une anesthésie générale, une anesthésie intraveineuse ou une anesthésie par inhalation intraveineuse et de grade ASA1-5.

Critère d'exclusion:

  • chirurgies avec des informations clés manquantes et chirurgies dont la tension artérielle n'a pas été surveillée tout au long de l'opération

Plan d'étude

Cette section fournit des détails sur le plan d'étude, y compris la façon dont l'étude est conçue et ce que l'étude mesure.

Comment l'étude est-elle conçue ?

Détails de conception

  • Modèles d'observation: Cas-Crossover
  • Perspectives temporelles: Rétrospective

Cohortes et interventions

Groupe / Cohorte
Intervention / Traitement
équipe variabilité de l'hypertension artérielle
Le groupe avec une fluctuation excessive de la pression artérielle pendant l'opération est l'équipe de variabilité de la pression artérielle élevée
Aucune intervention

Que mesure l'étude ?

Principaux critères de jugement

Mesure des résultats
Description de la mesure
Délai
Variabilité de l'hypertension artérielle peropératoire
Délai: Période périopératoire
nous définissons les cas d'IHBPV comme des situations où le CV de la PAM dépasse 20% pendant la chirurgie, que l'augmentation de la variabilité de la pression artérielle soit due à une diminution ou à une augmentation de la pression artérielle.
Période périopératoire

Collaborateurs et enquêteurs

C'est ici que vous trouverez les personnes et les organisations impliquées dans cette étude.

Dates d'enregistrement des études

Ces dates suivent la progression des dossiers d'étude et des soumissions de résultats sommaires à ClinicalTrials.gov. Les dossiers d'étude et les résultats rapportés sont examinés par la Bibliothèque nationale de médecine (NLM) pour s'assurer qu'ils répondent à des normes de contrôle de qualité spécifiques avant d'être publiés sur le site Web public.

Dates principales de l'étude

Début de l'étude (Réel)

2 janvier 2023

Achèvement primaire (Réel)

1 avril 2023

Achèvement de l'étude (Réel)

1 avril 2023

Dates d'inscription aux études

Première soumission

16 janvier 2023

Première soumission répondant aux critères de contrôle qualité

16 janvier 2023

Première publication (Réel)

26 janvier 2023

Mises à jour des dossiers d'étude

Dernière mise à jour publiée (Réel)

22 juin 2023

Dernière mise à jour soumise répondant aux critères de contrôle qualité

20 juin 2023

Dernière vérification

1 juin 2023

Plus d'information

Termes liés à cette étude

Autres numéros d'identification d'étude

  • 22232-4-02

Plan pour les données individuelles des participants (IPD)

Prévoyez-vous de partager les données individuelles des participants (DPI) ?

NON

Informations sur les médicaments et les dispositifs, documents d'étude

Étudie un produit pharmaceutique réglementé par la FDA américaine

Non

Étudie un produit d'appareil réglementé par la FDA américaine

Non

Ces informations ont été extraites directement du site Web clinicaltrials.gov sans aucune modification. Si vous avez des demandes de modification, de suppression ou de mise à jour des détails de votre étude, veuillez contacter register@clinicaltrials.gov. Dès qu'un changement est mis en œuvre sur clinicaltrials.gov, il sera également mis à jour automatiquement sur notre site Web .

S'abonner