術中血圧変動予測モデルの開発

1. はじめに 血圧変動性 (BPV) は、患者の血圧の変動の程度を表したものです。たとえば、標準偏差、平均実変動性、平均とは独立した変動性などです。 上記の用語はすべて、BPV の状況をさまざまな程度で表しています。 BPV はさまざまな種類に分類され、患者の短期 BPV は他の用語 BPV に関連しています。血圧自体の数値に加えて、高血圧の変動性は、標的臓器の損傷などの一連の合併症をもたらします。 、心血管イベント、さらには死亡。 関連する文献やガイドラインでは、血圧の増減が基本血圧値の 20% を超えてはならないことも推奨されており、術中高血圧変動 (IHBPV) のリスクを軽減することは、麻酔科医の重要なタスクの 1 つになっています。手術中に記録される定期的なバイタル サインには、血圧、心拍数、呼吸数などがありますが、これにより麻酔科医が BPV を見落とす可能性があります。バランスと外科的刺激は IHBPV を引き起こし、その周術期リスクを高め、患者の予後に影響を与える可能性があります。 多次元的で時間的に変化する変化により、麻酔科医が判断を下すことが難しくなり、現在、IHBPV の効果的な予測と説明が不足しています。

   機械学習（ML）は、コンピューターが人間の学習行動をシミュレートし、既存の知識構造を再編成してパフォーマンスを向上させ、新しい知識とスキルを獲得する方法を研究する学際的な分野です。 最近の研究では、ML は複雑なシステムの予測と説明に利点があることがわかりました。ML は、複雑な現実世界のデータの分析と時系列データの処理に適しています。 この研究の目的は、機械学習モデルを構築して、患者の手術全体における IHBPV の発生を予測し、麻酔科医が手術中の BPV の管理を改善するのを支援するために、ベースライン情報と IHBPV につながる手術中の要因を明らかにすることでした。 .

2. 材料と方法 2.1 研究デザイン このレトロスペクティブ研究では、2016 年 3 月から 2022 年 4 月までに清華大学付属の北京清華長庚病院からデータを収集し、倫理委員会の承認を得て中央手術室で手術を受けたすべての患者を対象に含めました。勉強。 この研究は、主に HIS システムと Medtronic システムから患者の情報を取得し、ベースライン情報と ML モデルによる術中因子に基づいて患者の IHBPV の可能性を予測し、解釈可能な ML を通じて患者の IHBPV リスクの増加を説明することを目的としていました。モデル。

元のデータベースは、全身麻酔手術の 52250 例で構成されていました。 サンプルサイズは、既存のデータベースの規模に基づいており、そのうち 47520 件の手術がこの研究の基準を満たしていました。 包含基準は、全身麻酔、静脈麻酔、または静脈吸入麻酔を受けた患者で、ASA1-5グレードでした。 また、除外基準は、重要な情報が欠落している手術と、手術中に血圧が監視されなかった手術でした。 情報が欠落しているかあいまいな手術については、データの信頼性を確保するために削除方法を使用しました。 重要な変数には、時間記録、バイタル サイン、体液バランスが含まれていました。 北京清華長庚病院の倫理委員会はこの研究を承認し、個人的なインフォームド コンセントの要件を放棄しました。 「個々の予後または診断のための多変量予測モデルの透明な報告」(TRIPOD) 臨床予測モデルの報告ガイドライン。これには、臨床予測モデルを構築するために一般的に使用される参照項目が含まれています。

2.2 データ収集 この研究では、主に HIS システムから身長、体重、性別、疾患診断、および手術方法を含む患者のベースライン情報を取得し、Medtronic 手術麻酔システムから術中血圧などの独立変数として術中因子を抽出しました。術中の薬物データ、体液バランス、および手術中に記録された主要な手術。 よく使われる薬をいくつか選び、よく使われる薬の基準は、さまざまな手術での使用頻度が 10 分の 1 を超えることでした。 一般的に使用される薬は、セボフルラン、プロポフォール、デクスメデトミジン、ミダゾラム、レミフェンタニル、スフェンタニル、メトキサミン、およびロクロニウムです。術前診断では、血圧変動への影響を考慮して、心機能障害や腎機能障害などの血圧に関連するバイナリ変数の抽出を優先しました。

2.3 IHBPV の診断基準 この研究の主要評価項目は、以前のいくつかの論文で研究されてきた血圧変動 (BPV) であり、BPV にはさまざまな定義と計算方法があり、それぞれに独自の利点があります。 術中平均動脈圧 (MAP) の変動係数 (CV) は、BPV の定量的尺度として使用されました。これは、患者の血圧変動を考慮しながら、患者のベースライン血圧レベルも考慮に入れます。 この研究では、術中 MAP の変動係数 (CV) を血圧変動 (BPV) の定量的指標として計算しました。MAP の CV は、MAP の標準偏差を MAP の平均値で割ることによって計算されます。以前の文献およびガイドラインの推奨に従って、手術中の患者の血圧の増減は、ベースラインの血圧値の 20% を超えてはなりません。 したがって、血圧変動の増加が血圧の低下によるものであるか上昇によるものであるかに関係なく、術中に MAP の CV が 20% を超える状況として IHBPV の症例を定義します。

麻酔開始から 5 分ごとに記録された血圧は BPV の計算に使用され、血圧情報の主な情報源は侵襲性動脈ラインであり、その情報が利用できない場合は、非侵襲性カフ測定が使用されます。 手術中のさまざまな監視状況により、侵襲的動脈圧は 1 分間に複数回記録できますが、非侵襲的カフ測定は少なくとも 5 分ごとに記録されます。 記録されたすべての血圧値は、患者が IHBPV を遵守しているかどうかを判断するために使用されます。

2.3 モデルの予測 予測は、データ分析の予測に非常に効果的な教師あり機械学習 (ML) テクノロジです。 これは、関連する独立変数の値に基づいて、新しい入力レコードを特定の従属出力変数にマッピングするためのトレーニング データに基づいています。 複雑な相関変数を処理する能力と、相互に相関する変数の処理におけるその有効性により、最適な精度を達成するために新しい予測アルゴリズムを使用することが重要です。

この研究では、4 つの機械学習 (ML) 予測モデル、極端な勾配ブースティング (XGBoost)、軽い勾配ブースティング (LGBoost)、ランダム フォレスト (RF)、およびロジスティック回帰 (LR) を開発して、術中高血圧の可能性を予測しました。ベースライン情報と術中因子を使用した変動性（IHBPV）。 モデルは、python 3.9 バージョンと pandas 1.3.4 を使用して構築されました。 データ クリーニング用のライブラリ、モデルの作成とハイパーパラメータの最適化用の Scikit-Learn 0.24.2 ライブラリ、解釈可能性用の shap 0.41.0 ライブラリ。

予測モデルのトレーニングは、結果変数の分布に基づいてトレーニング (70%) セットとテスト (30%) セットに分割された 47520 人の患者のデータセットを使用して実行されました (図 1)。 検証の目的で、トレーニング セットにクロス検証アプローチが使用されました。 このようなデータセットを検証する場合、効率と滑らかさから、階層的な k 分割交差検証が使用されました。 各データセットはランダムに k 個のフォールドに分割され、k 個のフォールドはトレーニング目的で使用され、残りは検証セットとして使用されました。 3 つの予測モデルのパフォーマンスを評価するために、k = 5 からの k 分割交差検証を使用して、独立して反復的に検証されました。 3 つのアルゴリズムすべての最高の精度は、5 分割交差検証によって達成されました。 私たちの主な指標は、曲線下の面積（AUC）、受信者動作特性（ROC）曲線の下の面積を比較することです。 AUC の信頼区間は、100 個のブートストラップ サンプルの推定指標を使用して推定されます。 比較に使用した指標には、精度、精度、感度、特異性、F1 スコアが含まれ、これらはすべて分類モデルのパフォーマンスを測定するために使用されます。 複数の指標を比較することで、モデルの長所と短所をバランスよく評価できます。

順列重要度法は、変数モデルの感度を分析するために使用されます。 順列の重要度は表形式のデータに適しており、特徴の重要度の評価は、特徴がランダムに再配置された後のモデルのパフォーマンスの低下に依存します。 また、特定の機種カテゴリーに限定されず、幅広い用途があります。 順列特徴重要度は、特定のデータセットの推定値の特徴重要度を整理するモデル検証手法です。重要度は、単一の特徴値をランダムにシャッフルしたときのモデル スコアの低下として定義されます。 モデルの予測能力の変化は、含まれている変数を削除する必要があるかどうかを判断するために使用されます。 この手法は、モデルを認識できないというメリットがあり、さまざまな機能の配置で複数回計算できます。

2.5 方法の解釈 XGBoost は予測で最良の結果をもたらし、以前の研究で SHAP 法との良好な互換性があることが示されているため、この調査の説明方法は XGBoost に基づいています。 XGBoost は最近開発された機械学習技術で、多くの分野で広く使用されています。 ポータブルで柔軟な方法として、さまざまなアプリケーションに適しています。 主に学習者モデルのエラーを減らすために、Cause Based Decision Tree と Gradient Boosting Machine アルゴリズムに基づいています。 各リフト反復では、目的関数「二乗誤差」の 1 次勾配と 2 次勾配が各トレーニング ケースについて計算されました。 したがって、モデル値と実際の値の差を常に減らすのは、複数の単純な基本学習器を使用することです。 ほぼすべてのデータ タイプを迅速かつ正確に処理するために、ツリー リフティング メソッドを強化する機能が得られます。 これらの独自の機能により、アルゴリズムを回帰予測モデルで効果的に使用できます。 XGBoost は、多数のプロパティと分類を持つ大規模なデータセットを処理するためにも使用され、効率と精度のトレードオフを考慮する際に実用的で熟練したソリューションを提供します。

解釈可能性を ML モデルに適用しました。解釈可能な ML モデルには、Local Interpretable メソッド、Global Interpretable メソッド、および Interactive Interpretable メソッドが含まれます。 ローカル解釈可能な方法は、単一のサンプルの転帰指数に対する個々の予測因子の影響を明確に特定できます。つまり、IHBPV に最大の影響を与える周術期予測因子を調査します。 Local Interpretable メソッドの最終的な出力は、特定の患者の各予測因子の SHAP 値の変化のサイズと割合です。 グローバルな解釈可能な方法は、すべてのサンプルの転帰に対する予測因子の全体的な影響を具体的に特定できます。つまり、すべての患者の手術中の血圧変動に包括的な影響を与える周術期予測因子を調査します。 最後に、インタラクティブな解釈可能な方法は、複数の予測因子間の修正効果、つまり、異なるレベルの他の予測因子のレベルによって変化する結果に対する予測因子の影響の現象を調査します。 その存在は、同時に研究されたいくつかの予測因子の効果が独立していないことを示しています。 この研究における相互作用の解釈は、IHBPV に対するさまざまな予測因子の共同の影響を具体的に識別することができます。