수술 중 혈압 변동성 예측 모델 개발
수술 중 혈압 변동성에 대한 예측 모델 개발: 후향적 코호트 연구
목적: 이 연구의 목적은 기계 학습을 사용하여 수술 중 고혈압 변동성(IHBPV)을 예측하고 해석하는 것이었습니다.
설계: 후향적 코호트 연구. 설정: 베이징 칭화 창궁 병원 . 데이터 리소스: 2016년 3월부터 2022년 4월까지 중앙 수술실에서 전신 마취 하에 수행된 수술 47,520건.
개입: 없음. 측정: 수술 전 기본 정보 및 수술 중 변수에 대한 데이터를 수집했습니다. 모델은 Python으로 구성되었으며 XGBoost, Random Forest, LGBoost 및 로지스틱 회귀 모델을 사용하여 실행되었습니다.
연구 개요
상태
상태
정황
정황
개입 / 치료
개입 / 치료
상세 설명
소개 혈압 변동성(BPV)은 표준 편차, 평균 실제 변동성 및 평균과 독립된 변동성과 같은 환자의 혈압 변동 정도에 대한 설명입니다. 위의 용어는 모두 다양한 정도로 BPV의 상황을 설명합니다. BPV는 여러 유형으로 나뉘며 환자의 단기 BPV는 다른 용어 BPV와 관련이 있습니다. 혈압 자체의 수치 외에도 고혈압 변동성은 표적 장기 손상과 같은 일련의 합병증을 가져옵니다. 、 심혈관 사건, 심지어 사망. 관련 문헌 및 지침에서도 혈압의 증가 또는 감소가 기본 혈압 값의 20%를 초과하지 않아야 한다고 권장하고 있으며 수술 중 고혈압 변동성(IHBPV)의 위험을 줄이는 것이 마취과 의사의 중요한 업무 중 하나가 되었습니다. 수술 중 기록되는 규칙적인 활력 징후에는 혈압, 심박수 및 호흡수가 포함되며 마취과 의사가 BPV를 간과할 수 있습니다. 균형 및 외과적 자극은 IHBPV를 유발하고 수술 전후 위험을 증가시켜 환자의 예후에 영향을 미칠 수 있습니다. 다차원적이고 시간에 따라 변하는 변화는 마취과 의사가 판단을 내리기 어렵게 만들고 현재 IHBPV에 대한 효과적인 예측과 설명이 부족합니다.
기계 학습(ML)은 컴퓨터가 인간의 학습 행동을 시뮬레이션하고 기존 지식 구조를 재구성하여 성능을 개선하고 새로운 지식과 기술을 습득하는 방법을 연구하는 학제 간 분야입니다. 최근 연구에 따르면 ML은 복잡한 시스템을 예측하고 설명하는 데 유리하며, ML은 복잡한 실제 데이터를 분석하고 시계열 데이터를 처리하는 데 적합합니다. 본 연구의 목적은 환자의 전반적인 수술 중 IHBPV의 발생을 예측하고 IHBPV로 이어지는 기본 정보와 수술 중 요인을 명확히 하는 기계 학습 모델을 구축하여 마취과 의사가 수술 중 BPV 관리를 개선하는 데 도움을 주는 것입니다. .
- 재료 및 방법 2.1 연구 설계 본 후향적 연구는 2016년 3월부터 2022년 4월까지 청화대학교 부설 베이징 칭화장궁병원에서 자료를 수집하였으며, 윤리위원회의 승인을 받아 중앙 수술실에서 수술을 받은 모든 환자를 대상으로 하였다. 공부하다. 본 연구는 주로 HIS 시스템과 Medtronic 시스템으로부터 환자 정보를 획득하였으며, ML 모델을 통해 기저 정보와 수술 중 요인을 기반으로 환자의 IHBPV 가능성을 예측하고 해석 가능한 ML을 통해 환자의 IHBPV 위험 증가를 설명하는 것을 목표로 하였다. 모델.
원본 데이터베이스는 52250건의 전신 마취 수술 사례로 구성되었습니다. 표본 크기는 기존 데이터베이스의 규모를 기반으로 했으며, 이 중 47520개의 수술이 본 연구의 기준을 충족했습니다. 포함 기준은 전신마취, 정맥마취 또는 정맥흡입마취를 받은 환자로서 ASA1-5 등급이었다. 그리고 제외 기준은 핵심 정보가 누락된 수술과 수술 내내 혈압을 모니터링하지 않은 수술이었다. 정보가 누락되거나 모호한 수술의 경우 데이터의 진정성을 보장하기 위해 삭제 방법을 사용했습니다. 중요한 변수에는 시간 기록, 활력 징후 및 체액 균형이 포함됩니다. Beijing Tsinghua Chang Gung Hospital의 윤리위원회는 이 연구를 승인하고 개인 정보에 입각한 동의에 대한 요구 사항을 면제했습니다. 이 연구는 후향적 연구이므로 중국 임상 시험 등록 센터의 승인도 받았습니다. 임상 예측 모델을 구축하기 위해 일반적으로 사용되는 참조 항목을 포함하는 임상 예측 모델에 대한 "개별 예후 또는 진단을 위한 다중 변수 예측 모델의 투명 보고"(TRIPOD) 보고 지침.
2.2 데이터 수집 본 연구는 주로 HIS 시스템에서 환자의 신장, 체중, 성별, 질병 진단, 수술 방법 등 기본 정보를 얻었고, Medtronic 수술 마취 시스템에서 수술 중 요인을 독립변수로 추출했다. 수술 중 약물 데이터, 체액 균형 및 수술 중 기록된 주요 수술. 우리는 일반적으로 사용되는 몇 가지 약물을 선택했으며 일반적으로 사용되는 약물의 기준은 다양한 수술에서 약물 사용 빈도가 1/10을 초과하는 것입니다. 일반적으로 사용되는 약물은 세보플루란, 프로포폴, 덱스메데토미딘, 미다졸람, 레미펜타닐, 수펜타닐, 메톡사민 및 로쿠로늄입니다. 수술 전 진단을 위해 혈압 변동성에 미치는 영향을 고려하여 심장 기능 장애 및 신장 기능 장애와 같은 혈압과 관련된 이진 변수 추출을 우선시했습니다.
2.3 IHBPV의 진단 기준 이 연구의 1차 종점은 이전의 여러 논문에서 연구된 혈압 변동성(BPV)이며, BPV는 각각 고유한 장점이 있는 다양한 정의와 계산 방법을 가지고 있습니다. 수술 중 평균 동맥압(MAP)의 변동 계수(CV)는 BPV의 정량적 측정으로 사용되었습니다. 이는 환자의 기준 혈압 수준을 고려하면서 환자의 혈압 변동을 고려합니다. 본 연구에서는 혈압 변동성(BPV)의 정량적 지표로서 수술 중 MAP의 변동계수(CV)를 계산하였으며, MAP의 CV는 MAP의 표준편차를 MAP의 평균값으로 나누어 계산하였다. 이전 문헌 및 지침 권장 사항에 따라 수술 중 환자 혈압의 증가 및 감소는 기본 혈압 값의 20%를 초과해서는 안 됩니다. 따라서 우리는 혈압 변동성의 증가가 혈압의 감소 때문인지 증가 때문인지에 관계없이 수술 중 MAP의 CV가 20%를 초과하는 경우를 IHBPV로 정의합니다.
마취 시작부터 5분마다 기록된 혈압을 BPV 계산에 사용하며, 혈압 정보의 1차 출처는 침습 동맥선이며, 해당 정보를 사용할 수 없는 경우 비침습 커프 측정이 사용됩니다. 수술 중 다양한 모니터링 상황으로 인해 침습성 동맥압은 분당 여러 번 기록될 수 있는 반면 비침습성 커프 측정은 최소 5분마다 기록됩니다. 기록된 모든 혈압 값은 환자가 IHBPV를 준수하는지 여부를 판단하는 데 사용됩니다.
2.3 예측 모델 예측은 데이터 분석을 예측하는 데 매우 효과적인 감독 기계 학습(ML) 기술입니다. 새로운 입력 레코드를 관련 독립 변수 값을 기반으로 특정 종속 출력 변수에 매핑하는 훈련 데이터를 기반으로 합니다. 복잡한 상관 변수를 처리하는 기능과 상호 상관 변수를 처리하는 효율성 때문에 최적의 정확도를 달성하기 위해 새로운 예측 알고리즘을 사용하는 것이 중요합니다.
본 연구에서는 수술 중 고혈압의 가능성을 예측하기 위해 기계 학습(ML) 예측 모델 4개, 익스트림 그래디언트 부스팅(XGBoost), 라이트 그래디언트 부스팅(LGBoost), 랜덤 포레스트(RF) 및 로지스틱 회귀(LR)를 개발했습니다. 기본 정보 및 수술 중 요인을 사용한 가변성(IHBPV). 모델은 pandas 1.3.4와 함께 python 3.9 버전을 사용하여 빌드되었습니다. 데이터 정리를 위한 라이브러리, 모델 생성 및 하이퍼파라미터 최적화를 위한 Scikit-Learn 0.24.2 라이브러리, 해석 가능성을 위한 shap 0.41.0 라이브러리.
예측 모델의 훈련은 결과 변수의 분포를 기반으로 훈련(70%)과 테스트(30%) 세트로 분할된 47,520명의 환자 데이터 세트를 사용하여 수행되었습니다(그림 1). 유효성 검사를 위해 훈련 세트에 대해 교차 유효성 검사 접근 방식이 사용되었습니다. 이러한 데이터 세트를 검증할 때 효율성과 부드러움으로 인해 계층적 k-겹 교차 검증이 사용되었습니다. 각 데이터 세트는 무작위로 k개의 폴드로 나뉘었고, k 1개의 폴드는 훈련 목적으로 사용되었고 나머지는 검증 세트로 사용되었습니다. 세 가지 예측 모델의 성능을 평가하기 위해 k = 5에서 k-겹 교차 검증을 사용하여 독립적이고 반복적으로 검증되었습니다. 세 가지 알고리즘 모두에서 최고의 정확도는 5겹 교차 검증을 통해 달성되었습니다. 우리의 주요 지표는 곡선 아래 영역(AUC)과 수신기 작동 특성(ROC) 곡선 아래 영역을 비교하는 것입니다. AUC의 신뢰 구간은 100개의 부트스트랩 샘플의 추정 지표를 사용하여 추정됩니다. 비교에 사용한 메트릭에는 분류 모델의 성능을 측정하는 데 사용되는 정확도, 정밀도, 민감도, 특이성 및 F1 점수가 포함됩니다. 여러 메트릭을 비교하면 모델의 강점과 약점을 균형 있게 평가할 수 있습니다.
Permutation Importance 방법은 변수 모델의 민감도를 분석하는 데 사용됩니다. 순열 중요도는 테이블 형식 데이터에 적합하며, 기능의 중요도 평가는 기능을 무작위로 재정렬한 후 모델의 성능 저하에 따라 달라집니다. 또한 특정 모델 범주에 국한되지 않고 광범위한 응용 프로그램이 있습니다. 순열 특성 중요도는 주어진 데이터 세트의 추정 값의 특성 중요도를 정렬하는 모델 검증 기법으로, 중요도는 단일 특성 값을 무작위로 섞을 때 모델 점수가 감소하는 것으로 정의됩니다. 모델의 예측 능력의 변화는 포함된 변수를 삭제할 필요가 있는지 여부를 결정하는 데 사용됩니다. 이 기술은 모델을 알 수 없다는 이점이 있으며 다양한 기능 배열로 여러 번 계산할 수 있습니다.
2.5 해석 방법 본 연구의 설명 방법은 XGBoost가 예측에서 가장 좋은 결과를 얻었고 이전 연구에서 SHAP 방법과의 호환성이 좋은 것으로 나타났기 때문에 XGBoost를 기반으로 합니다. XGBoost는 최근에 개발된 기계 학습 기술로 많은 분야에서 널리 사용되고 있습니다. 휴대 가능하고 유연한 방법으로 다양한 응용 분야에 적합합니다. 주로 학습자 모델의 오류를 줄이기 위해 원인 기반 결정 트리 및 Gradient Boosting Machine 알고리즘을 기반으로 합니다. 각 리프트 반복에서 목적 함수 "오차 제곱"의 1차 및 2차 기울기가 각 교육 사례에 대해 계산되었습니다. 따라서 모델 값과 실제 값의 차이를 지속적으로 줄이는 것은 여러 개의 간단한 기본 학습기를 통해서입니다. 거의 모든 데이터 유형을 빠르고 정확하게 처리하기 위해 트리 리프팅 방법을 향상시키는 기능을 얻습니다. 이러한 고유한 기능을 통해 알고리즘을 회귀 예측 모델에서 효과적으로 사용할 수 있습니다. XGBoost는 또한 속성 및 분류가 많은 대규모 데이터 세트를 처리하는 데 사용되며 효율성과 정확성의 균형을 고려할 때 실용적이고 능숙한 솔루션을 제공합니다.
ML 모델에 Interpretability를 적용했으며 Interpretable ML 모델에는 Local Interpretable 방법, Global Interpretable 방법 및 Interactive Interpretable 방법이 포함됩니다. Local Interpretable 방법은 단일 샘플에 대한 결과 지수에 대한 개별 예측 변수의 영향을 구체적으로 식별할 수 있습니다. 즉, IHBPV에 가장 큰 영향을 미치는 수술 전후 예측 변수를 탐색합니다. Local Interpretable 방법의 최종 출력은 특정 환자의 각 예측 변수에 대한 SHAP 값의 변화 크기와 비율입니다. Global Interpretable 방법은 모든 샘플의 결과에 대한 예측 변수의 전반적인 영향을 구체적으로 식별할 수 있습니다. 즉, 모든 환자의 수술 중 혈압 변동성에 포괄적인 영향을 미치는 수술 전후 예측 변수를 탐색할 수 있습니다. 마지막으로 Interactive Interpretable 방법은 여러 예측 변수 사이의 수정 효과, 즉 예측 변수가 결과에 미치는 영향이 다른 수준의 다른 예측 변수 수준에 따라 변하는 현상을 탐색합니다. 그 존재는 동시에 연구된 여러 예측 변수의 효과가 독립적이지 않음을 나타냅니다. 이 연구에서 상호 작용의 해석은 IHBPV에 대한 서로 다른 예측 변수의 공동 영향을 구체적으로 식별할 수 있습니다.
연구 유형
연구 유형
등록 (실제)
등록
연락처 및 위치
연구 연락처
연구 연락처
- 이름: zhang zheng, master
- 전화번호: +8618756235568
- 이메일: 18756235568@163.com
연구 장소
-
-
Beijing
-
Beijing, Beijing, 중국, 102218
- Zhifeng Gao
-
-
참여기준
자격 기준
자격 기준
공부할 수 있는 나이
- 어린이
- 성인
- 고령자
건강한 자원 봉사자를 받아들입니다
샘플링 방법
연구 인구
설명
포함 기준:
- 전신마취, 정맥마취 또는 정맥흡입마취를 받은 환자로서 ASA1-5 등급.
제외 기준:
- 핵심 정보가 누락된 수술 및 수술 중 혈압을 모니터링하지 않은 수술
공부 계획
연구는 어떻게 설계됩니까?
디자인 세부사항
- 관찰 모델: 케이스 크로스오버
- 시간 관점: 회고전
그룹/코호트 수
코호트 및 개입
그룹/코호트그룹/코호트 |
개입 / 치료개입 / 치료 |
|---|---|
|
고혈압 가변성 팀
수술 중 혈압변동이 심한 군은 고혈압변동팀
|
개입 없음
|
연구는 무엇을 측정합니까?
주요 결과 측정
주요 결과 측정
결과 측정 |
측정값 설명 |
기간 |
|---|---|---|
|
수술 중 고혈압 변동성
기간: 수술 기간
|
우리는 혈압 변동성의 증가가 혈압의 감소 때문인지 증가 때문인지에 관계없이 수술 중 MAP의 CV가 20%를 초과하는 상황으로 IHBPV의 사례를 정의합니다.
|
수술 기간
|
공동 작업자 및 조사자
연구 기록 날짜
연구 주요 날짜
연구 시작 (실제)
연구 시작
기본 완료 (실제)
기본 완료
연구 완료 (실제)
연구 완료
연구 등록 날짜
최초 제출
최초 제출
QC 기준을 충족하는 최초 제출
QC 기준을 충족하는 최초 제출
처음 게시됨 (실제)
처음 게시됨
연구 기록 업데이트
마지막 업데이트 게시됨 (실제)
마지막 업데이트 게시됨
QC 기준을 충족하는 마지막 업데이트 제출
QC 기준을 충족하는 마지막 업데이트 제출
마지막으로 확인됨
마지막으로 확인됨
추가 정보
이 연구와 관련된 용어
기타 연구 ID 번호
기타 연구 ID 번호
- 22232-4-02
개별 참가자 데이터(IPD) 계획
개별 참가자 데이터(IPD)를 공유할 계획입니까?
약물 및 장치 정보, 연구 문서
미국 FDA 규제 의약품 연구
미국 FDA 규제 기기 제품 연구
이 정보는 변경 없이 clinicaltrials.gov 웹사이트에서 직접 가져온 것입니다. 귀하의 연구 세부 정보를 변경, 제거 또는 업데이트하도록 요청하는 경우 register@clinicaltrials.gov. 문의하십시오. 변경 사항이 clinicaltrials.gov에 구현되는 즉시 저희 웹사이트에도 자동으로 업데이트됩니다. .