Az intraoperatív vérnyomás-variabilitás előrejelző modelljének kidolgozása

1. Bevezetés A vérnyomás-variabilitás (BPV) a páciens vérnyomásának ingadozásának mértékét írja le, mint például a szórás, az átlagos valós variabilitás és az átlagtól független variabilitás. A fenti kifejezések különböző mértékben írják le a BPV helyzetét. A BPV különböző típusokra oszlik, és a beteg rövid távú BPV-je más BPV-kifejezésekhez kapcsolódik. A vérnyomás számértékén túlmenően a magas vérnyomás változékonysága számos szövődményt, például célszerv károsodást okoz. 、szív- és érrendszeri események, sőt a halál. A vonatkozó szakirodalom és irányelvek azt is javasolják, hogy a vérnyomás emelése vagy csökkentése ne haladja meg az alap vérnyomásérték 20%-át, és az intraoperatív magas vérnyomás variabilitás (IHBPV) kockázatának csökkentése az aneszteziológusok egyik fontos feladata lett. A műtét során feljegyzett rendszeres életjelek közé tartozik a vérnyomás, a pulzusszám és a légzésszám, ami miatt az aneszteziológusok figyelmen kívül hagyhatják a BPV-t. Az IHBPV-t okozó tényezők összetettek, és a páciens saját érrendszeri állapota, szimpatikus idegi ingerlékenység, gyógyszerhasználat, folyadék Az egyensúly és a műtéti stimuláció IHBPV-t okozhat, és növelheti annak perioperatív kockázatát, befolyásolva a beteg prognózisát. A többdimenziós, időben változó változások megnehezítik az aneszteziológusok számára az ítéletalkotást, és jelenleg hiányzik az IHBPV hatékony előrejelzése és magyarázata.

   A gépi tanulás (ML) egy interdiszciplináris terület, amely azt vizsgálja, hogyan szimulálják a számítógépek az emberi tanulási viselkedést, és hogyan szervezik át a meglévő tudásstruktúrákat teljesítményük javítása, valamint új ismeretek és készségek elsajátítása érdekében. A legújabb kutatások azt találták, hogy az ML előnyei összetett rendszerek előrejelzésében és magyarázatában, az ML alkalmas összetett valós adatok elemzésére és idősoros adatok feldolgozására. A tanulmány célja gépi tanulási modellek felépítése volt az IHBPV előfordulásának előrejelzésére a betegek teljes műtétje során, valamint az IHBPV-hez vezető alapinformációk és intraoperatív tényezők tisztázása, hogy segítse az aneszteziológusokat a BPV műtét alatti kezelésének javításában. .

2. Anyagok és módszerek 2.1 A vizsgálat felépítése Ez a retrospektív vizsgálat a Tsinghua Egyetemhez kapcsolódó pekingi Tsinghua Chang Gung Kórház adatait gyűjtötte 2016 márciusa és 2022 áprilisa között, és az etikai bizottság jóváhagyásával a központ műtőjében műtéten átesett összes beteget bevonták a vizsgálatba. tanulmány. A vizsgálat főként a HIS rendszerből és a Medtronic rendszerből nyert betegek információit, és célja az volt, hogy ML-modelleken keresztül előre jelezze az IHBPV lehetőségét a betegekben a kiindulási információk és az intraoperatív tényezők alapján, valamint megmagyarázza az IHBPV kockázatának növekedését a betegek körében az értelmezhető ML segítségével. modellek.

Az eredeti adatbázis 52250 általános érzéstelenítési műtétet tartalmazott. A mintanagyság a meglévő adatbázis léptéke alapján történt, amelyből 47520 műtét felelt meg jelen vizsgálat kritériumainak. A felvételi kritériumok olyan betegek voltak, akik általános érzéstelenítésben, intravénás érzéstelenítésben vagy intravénás inhalációs érzéstelenítésben részesültek, és ASA1-5 fokozatú. A kizárási kritériumok pedig azok a műtétek voltak, amelyeknél hiányoztak a kulcsfontosságú információk, és olyan műtétek, amelyeknél nem figyelték a vérnyomást a műtét során. A hiányzó vagy félreérthető információkat tartalmazó műtéteknél törlési módszert alkalmaztunk az adatok hitelességének biztosítására. A fontos változók közé tartoztak az időrekordok, az életjelek és a folyadékegyensúly. A pekingi Tsinghua Chang Gung Kórház Etikai Bizottsága jóváhagyta a tanulmányt, és eltekint a személyes beleegyezés követelményétől, mivel ez egy retrospektív vizsgálat, ezt a kutatást a Kínai Klinikai Vizsgálatok Regisztrációs Központja is jóváhagyta. a "Transparent Reportingof a Multivariable Prediction Model for Individual Prognosis or Diagnosis" (TRIPOD) jelentéstételi útmutatója a klinikai előrejelzési modellekhez, amely a klinikai előrejelzési modellek felépítéséhez általánosan használt referenciaelemeket tartalmazza.

2.2 Adatgyűjtés Ez a vizsgálat elsősorban a betegek HIS rendszeréből származó kiindulási információit szerezte meg, beleértve a magasságot, testsúlyt, nemet, a betegség diagnosztizálását és a műtéti módszert, valamint a Medtronic sebészeti érzéstelenítő rendszerből független változóként kinyerte az intraoperatív faktorokat, beleértve az intraoperatív vérnyomást, a műtét során rögzített intraoperatív gyógyszeradatok, folyadékegyensúly és kulcsfontosságú műtéti műveletek. Kiválasztottunk néhány leggyakrabban használt gyógyszert, és a leggyakrabban használt gyógyszereknél az volt a kritérium, hogy a gyógyszer alkalmazási gyakorisága a különböző műtéteknél meghaladta az egytizedet. Az általánosan használt gyógyszerek a szevoflurán, propofol, dexmedetomidin, midazolam, remifentanil, szufentanil, metoxamin és rokuronium; A preoperatív diagnózisoknál, figyelembe véve azok vérnyomás-variabilitásra gyakorolt ​​hatását, a vérnyomással kapcsolatos bináris változók kinyerését helyeztük előtérbe, mint például a szív- és veseelégtelenség.

2.3 Az IHBPV diagnosztikai kritériumai Ennek a vizsgálatnak az elsődleges végpontja a vérnyomás-variabilitás (BPV), amelyet számos korábbi tanulmányban tanulmányoztak. A BPV-nek különböző definíciói és számítási módszerei vannak, mindegyiknek megvannak a maga előnyei. A BPV kvantitatív mérőszámaként az intraoperatív artériás középnyomás (MAP) variációs koefficiensét (CV) alkalmaztuk. Figyelembe veszi a páciens vérnyomás-ingadozásait, miközben figyelembe veszi a vérnyomás alapszintjét is. Ebben a tanulmányban az intraoperatív MAP variációs koefficiensét (CV) számítottuk ki a vérnyomás variabilitás (BPV) mennyiségi mutatójaként, a MAP CV-jét úgy számítjuk ki, hogy a MAP szórását elosztjuk a MAP átlagértékével. korábbi szakirodalmi és iránymutatási ajánlások szerint a műtét során a beteg vérnyomásának emelkedése és csökkenése nem haladhatja meg a kiindulási vérnyomásérték 20%-át. Ezért IHBPV-nek azt a helyzetet definiáljuk, amikor a MAP CV-je meghaladja a 20%-ot a műtét során, függetlenül attól, hogy a vérnyomás-variabilitás növekedése a vérnyomás csökkenése vagy emelkedése miatt következik be.

Az érzéstelenítés kezdetétől számított ötpercenként mért vérnyomást használják a BPV kiszámításához, a vérnyomás információ elsődleges forrása az invazív artériás vonal, és ha ez az információ nem áll rendelkezésre, akkor non-invazív mandzsetta méréseket alkalmaznak. A műtét közbeni monitorozás különböző helyzetei miatt az invazív artériás nyomás percenként többször, míg a non-invazív mandzsetta mérések legalább 5 percenként rögzíthetők. Az összes rögzített vérnyomásértéket annak megítélésére használják, hogy a beteg megfelel-e az IHBPV-nek.

2.3 A modellek előrejelzése A Prediction egy felügyelt gépi tanulási (ML) technológia, amely nagyon hatékony az adatelemzés előrejelzésében. Tanítási adatokon alapul, hogy az új bemeneti rekordokat meghatározott függő kimeneti változókká képezze le a releváns független változó értékek alapján. Az összetett korrelált változók kezelésére és a kölcsönösen korrelált változók kezelésének hatékonysága miatt kulcsfontosságú új előrejelzési algoritmusok alkalmazása az optimális pontosság elérése érdekében.

Ebben a tanulmányban négy gépi tanulási (ML) előrejelzési modellt fejlesztettünk ki, az extrém gradiens-növelést (XGBoost), a világos gradiens-növelést (LGBoost), a véletlenszerű erdőt (RF) és a logisztikus regressziót (LR), hogy előre jelezzük az intraoperatív hipertóniás vérnyomás valószínűségét. variabilitás (IHBPV) az alapinformációk és az intraoperatív tényezők felhasználásával. A modellek a python 3.9-es verziójával készültek, a pandák 1.3.4-es verziójával könyvtár az adatok tisztítására, a Scikit-Learn 0.24.2 könyvtár a modellkészítésre és a hiperparaméter-optimalizálásra, a shap 0.41.0 könyvtár pedig az értelmezhetőségre.

A predikciós modellek betanítása 47520 betegből álló adatkészlet felhasználásával történt, amelyet az eredményváltozó eloszlása ​​alapján képzési (70%) és tesztelési (30%) halmazokra osztottunk (1. ábra). Érvényesítési célból kereszt-validációs megközelítést alkalmaztunk a képzési készlethez. Az ilyen adatkészletek ellenőrzésekor annak hatékonysága és gördülékenysége miatt hierarchikus k-szeres keresztellenőrzést alkalmaztunk. Mindegyik adatkészletet véletlenszerűen k hajtásra osztottuk, k 1 hajtást edzési célokra, a többit pedig érvényesítési halmazként használták fel. A három predikciós modell teljesítményének értékelését egymástól függetlenül és iteratív módon validáltuk k-szeres keresztvalidációval k = 5-től. Mindhárom algoritmus közül a legjobb pontosságot ötszörös keresztellenőrzéssel érték el. Fő mutatónk a görbe alatti terület (AUC) összehasonlítása, a vevő működési jellemzői (ROC) görbe alatti terület. Az AUC megbízhatósági intervallumait 100 bootstrapped minta becsült mutatójával becsülik meg. Az összehasonlításhoz használt mérőszámok közé tartozik a pontosság, a precizitás, az érzékenység, a specifitás és az F1 pontszám, amelyek mindegyike egy osztályozási modell teljesítményének mérésére szolgál. Több mérőszám összehasonlítása lehetővé teszi a modell erősségei és gyengeségei kiegyensúlyozott értékelését.

A Permutation Importance módszert a változómodell érzékenységének elemzésére használjuk. A permutáció fontossága táblázatos adatokhoz alkalmas, és egy jellemző fontosságának értékelése attól függ, hogy a jellemző véletlenszerű átrendezése után a modell teljesítménye csökken. Szintén nem korlátozódik bizonyos modellkategóriákra, és sokféle alkalmazással rendelkezik. A permutációs jellemző fontossága egy olyan modellellenőrzési technika, amely az adott adatkészlet becsült értékeinek jellemző fontosságát rendezi, ahol a fontosságot a modell pontszámának csökkenéseként határozzuk meg, ha egyetlen jellemző értékét véletlenszerűen keverjük össze. A modell előrejelzési képességének változása alapján megállapítható, hogy szükséges-e törölni a benne szereplő változókat. Ez a technika előnyt jelent a modell megismerhetetlenségéből, és többszörösen kiszámítható különböző jellemző-elrendezésekkel.

2.5 Módszerek értelmezése Ebben a tanulmányban a magyarázó módszerek az XGBoost-on alapulnak, mivel az XGBoost adta a legjobb eredményeket az előrejelzésben, és a korábbi vizsgálatokban jól kompatibilis a SHAP módszerrel. Az XGBoost egy nemrégiben kifejlesztett gépi tanulási technológia, amelyet számos területen széles körben alkalmaznak. Hordozható és rugalmas módszerként számos alkalmazásra alkalmas. Ok-alapú döntési fán és Gradient Boosting Machine algoritmuson alapul, főként a tanulói modell hibáinak csökkentésére. Minden emelési iterációban a „négyzetes hiba” célfüggvény első és másodrendű gradiensét kiszámítottuk minden egyes képzési esetre. Így több egyszerű alaptanuló is folyamatosan csökkenti a modellértékek és a tényleges értékek közötti különbséget. Lehetővé teszi a fa emelési módszerek fejlesztését, hogy gyorsan és pontosan dolgozhasson fel szinte minden adattípust. Ezekkel az egyedi függvényekkel az algoritmus hatékonyan használható regressziós előrejelzési modellekben. Az XGBoost nagy adatkészletek kezelésére is használható nagyszámú tulajdonsággal és besorolással, és praktikus és jártas megoldásokat kínál a hatékonyság és a pontosság kompromisszumainak mérlegelésekor.

Az értelmezhetőséget az ML modellre alkalmaztuk, az értelmezhető ML modellek pedig a Local Interpretable metódusokat, a Global Interpretable metódusokat és az Interactive Interpretable metódusokat tartalmazzák. A lokálisan értelmezhető módszerek konkrétan azonosíthatják az egyes prediktorok hatását egyetlen minta kimeneti indexére, azaz feltárják azokat a perioperatív prediktorokat, amelyek a legnagyobb hatással vannak az IHBPV-re. A Local Interpretable módszerek végső kimenete a SHAP-értékek változásainak nagysága és aránya az egyes prediktoroknál egy adott páciensnél. A globális értelmezhető módszerek specifikusan azonosíthatják a prediktorok általános hatását az összes minta kimenetelére, azaz feltárhatják azokat a perioperatív prediktorokat, amelyek átfogó hatást gyakorolnak a vérnyomás variabilitására a műtét során minden beteg esetében. Végül, az Interaktív értelmezhető módszerek több prediktor közötti módosító hatásokat tárják fel, azaz azt a jelenséget, amikor egy prediktor hatását az eredményre más, különböző szinteken lévő prediktorok szintjével együtt változik. Megléte azt jelzi, hogy több egyidejűleg vizsgált prediktor hatása nem független. Az interakció értelmezése ebben a tanulmányban konkrétan azonosíthatja a különböző prediktorok együttes hatását az IHBPV-re.