- ICH GCP
- Register voor klinische proeven in de VS.
- Klinische proef NCT05698433
Ontwikkeling van een voorspellingsmodel voor intraoperatieve bloeddrukvariabiliteit
Ontwikkeling van een voorspellend model voor intraoperatieve bloeddrukvariabiliteit: een retrospectieve cohortstudie
Doelstelling: Het doel van deze studie was om machine learning te gebruiken om intraoperatieve hoge bloeddrukvariabiliteit (IHBPV) te voorspellen en te interpreteren.
Opzet: retrospectieve cohortstudie. Omgeving: Tsinghua Chang Gung-ziekenhuis in Peking. Gegevensbronnen: 47520 operaties uitgevoerd onder algehele narcose in de centrale operatiekamer van maart 2016 tot april 2022.
Interventies: Geen. Metingen: we verzamelden gegevens over preoperatieve baseline-informatie en intraoperatieve variabelen. Het model is gebouwd met python en wordt uitgevoerd met de volgende modellen: XGBoost, random forest, LGBoost en logistische regressie.
Studie Overzicht
Gedetailleerde beschrijving
Inleiding Bloeddrukvariabiliteit (BPV) is een beschrijving van de mate van fluctuatie van de bloeddruk van een patiënt, zoals standaarddeviatie、gemiddelde werkelijke variabiliteit en variabiliteit onafhankelijk van het gemiddelde. De bovenstaande termen beschrijven allemaal de situatie van BPV in verschillende mate。 BPV is onderverdeeld in verschillende typen en de BPV op korte termijn van de patiënt is gerelateerd aan andere termen BPV。 Naast de numerieke waarde van de bloeddruk zelf, zal hoge bloeddrukvariabiliteit een reeks complicaties met zich meebrengen, zoals schade aan doelorganen 、cardiovasculaire gebeurtenissen, en zelfs de dood. Relevante literatuur en richtlijnen bevelen ook aan dat de verhoging of verlaging van de bloeddruk niet hoger mag zijn dan 20% van de basisbloeddrukwaarde, en het verminderen van het risico op intraoperatieve hoge bloeddrukvariabiliteit (IHBPV) is een van de belangrijke taken van anesthesiologen geworden. regelmatige vitale functies die tijdens de operatie worden geregistreerd, zijn onder meer bloeddruk, hartslag en ademhalingsfrequentie, waardoor BPV door anesthesiologen over het hoofd kan worden gezien; De factoren die IHBPV veroorzaken zijn complex, en de eigen vasculaire status van de patiënt, prikkelbaarheid van het sympathische zenuwstelsel, drugsgebruik, vocht balans en chirurgische stimulatie kunnen IHBPV veroorzaken en het peri-operatieve risico verhogen, waardoor de prognose van de patiënt wordt beïnvloed. Multidimensionale, in de tijd variërende veranderingen maken het moeilijk voor anesthesiologen om een oordeel te vellen, en er is momenteel een gebrek aan effectieve voorspelling en verklaring van IHBPV.
Machine learning (ML) is een interdisciplinair vakgebied dat bestudeert hoe computers menselijk leergedrag simuleren en bestaande kennisstructuren reorganiseren om hun prestaties te verbeteren en nieuwe kennis en vaardigheden te verwerven. Uit recent onderzoek is gebleken dat ML voordelen heeft bij het voorspellen en verklaren van complexe systemen, ML is geschikt voor het analyseren van complexe real-world gegevens en het verwerken van tijdreeksgegevens. Het doel van deze studie was om machine learning-modellen te construeren om het optreden van IHBPV tijdens algehele chirurgie bij patiënten te voorspellen, en om de basisinformatie en intraoperatieve factoren die tot IHBPV leiden te verduidelijken, om anesthesiologen te helpen bij het verbeteren van de behandeling van BPV tijdens chirurgie. .
- Materialen en methoden 2.1 Studieopzet Deze retrospectieve studie verzamelde gegevens van het Beijing Tsinghua Chang Gung Hospital verbonden aan Tsinghua University van maart 2016 tot april 2022, alle patiënten die een operatie ondergingen in de operatiekamer van het centrum met goedkeuring van de ethische commissie werden opgenomen in de studie. De studie verkreeg voornamelijk patiënteninformatie van het HIS-systeem en het Medtronic-systeem en had tot doel de mogelijkheid van IHBPV bij patiënten te voorspellen op basis van basisinformatie en intraoperatieve factoren door middel van ML-modellen en om de toename van het risico op IHBPV bij patiënten te verklaren door middel van interpreteerbare ML modellen.
De oorspronkelijke database bestond uit 52250 gevallen van algemene anesthesiechirurgie. De steekproefomvang was gebaseerd op de schaal van de bestaande database, waarvan 47520 operaties voldeden aan de criteria van deze studie. De inclusiecriteria waren patiënten die algemene anesthesie, intraveneuze anesthesie of intraveneuze inhalatie-anesthesie kregen, en ASA1-5-graad. En de uitsluitingscriteria waren operaties waarbij belangrijke informatie ontbrak en operaties die tijdens de operatie niet op bloeddruk werden gecontroleerd. Voor operaties met ontbrekende of dubbelzinnige informatie hebben we een verwijderingsmethode gebruikt om de authenticiteit van de gegevens te waarborgen. Belangrijke variabelen waren tijdregistraties, vitale functies en vochtbalans. De ethische commissie van het Beijing Tsinghua Chang Gung Hospital heeft de studie goedgekeurd en heeft afgezien van de vereiste van persoonlijke geïnformeerde toestemming, aangezien het een retrospectieve studie is, is dit onderzoek ook goedgekeurd door het China Clinical Trial Registration Center. Deze studie volgde het relevante deel van de "Transparante rapportage van een multivariabel voorspellingsmodel voor individuele prognose of diagnose" (TRIPOD) rapportagerichtlijnen voor klinische voorspellingsmodellen, die veelgebruikte referentie-items bevatten voor het bouwen van klinische voorspellingsmodellen.
2.2 Gegevensverzameling Deze studie verkreeg voornamelijk basisinformatie van patiënten uit het HIS-systeem, waaronder lengte, gewicht, geslacht, ziektediagnose en chirurgische methode, en haalde intraoperatieve factoren uit het Medtronic chirurgische anesthesiesysteem als onafhankelijke variabelen, waaronder intraoperatieve bloeddruk, intraoperatieve medicijngegevens, vochtbalans en belangrijke chirurgische operaties geregistreerd tijdens de operatie. We selecteerden enkele veelgebruikte medicijnen en de criteria voor veelgebruikte medicijnen waren dat de gebruiksfrequentie van het medicijn bij verschillende operaties meer dan een tiende bedroeg. De veelgebruikte geneesmiddelen zijn sevofluraan, propofol, dexmedetomidine, midazolam, remifentanil, sufentanil, methoxamine en rocuronium; Voor preoperatieve diagnoses hebben we, gezien hun impact op de bloeddrukvariabiliteit, prioriteit gegeven aan de extractie van binaire variabelen gerelateerd aan bloeddruk, zoals hartdisfunctie en nierdisfunctie.
2.3 Diagnostische criteria voor IHBPV Het primaire eindpunt van deze studie is bloeddrukvariabiliteit (BPV), die in verschillende eerdere artikelen is bestudeerd. BPV heeft verschillende definities en berekeningsmethoden, elk met zijn eigen voordelen. De variatiecoëfficiënt (CV) van intraoperatieve gemiddelde arteriële druk (MAP) werd gebruikt als een kwantitatieve maat voor BPV. Het houdt rekening met de bloeddrukschommelingen van de patiënt en houdt ook rekening met hun basisbloeddrukniveau. In deze studie berekenden we de variatiecoëfficiënt (CV) van de intraoperatieve MAP als een kwantitatieve indicator van bloeddrukvariabiliteit (BPV). CV van MAP wordt berekend door de standaarddeviatie van MAP te delen door de gemiddelde waarde van MAP. Volgens eerdere aanbevelingen in de literatuur en richtlijnen, mag de stijging en daling van de bloeddruk van de patiënt tijdens de operatie niet hoger zijn dan 20% van de basiswaarde van de bloeddruk. Daarom definiëren we gevallen van IHBPV als situaties waarin de CV van MAP hoger is dan 20% tijdens de operatie, ongeacht of de toename in bloeddrukvariabiliteit het gevolg is van een verlaging of een verhoging van de bloeddruk.
De bloeddruk die elke vijf minuten vanaf het begin van de anesthesie wordt geregistreerd, wordt gebruikt om de BPV te berekenen, en de primaire bron van bloeddrukinformatie is de invasieve arteriële lijn, en als die informatie niet beschikbaar is, worden niet-invasieve manchetmetingen gebruikt. Vanwege de verschillende bewakingssituaties tijdens de operatie kan de invasieve arteriële druk meerdere keren per minuut worden geregistreerd, terwijl niet-invasieve manchetmetingen minstens elke vijf minuten worden geregistreerd. Alle geregistreerde bloeddrukwaarden worden gebruikt om te beoordelen of de patiënt voldoet aan de IHBPV.
2.3 Modellen voorspellen Prediction is een machine learning-technologie (ML) onder supervisie die zeer effectief is bij het voorspellen van data-analyse. Het is gebaseerd op trainingsgegevens om nieuwe invoerrecords in kaart te brengen in specifieke afhankelijke uitvoervariabelen op basis van de relevante onafhankelijke variabelewaarden. Vanwege zijn vermogen om complexe gecorreleerde variabelen te verwerken en zijn effectiviteit bij het omgaan met onderling gecorreleerde variabelen, is het cruciaal om nieuwe voorspellingsalgoritmen te gebruiken om optimale nauwkeurigheid te bereiken.
In deze studie ontwikkelden we vier voorspellingsmodellen voor machine learning (ML), extreme gradient boosting (XGBoost) 、Light Gradient Boosting(LGBoost)、 random forest (RF) en logistische regressie(LR) om de waarschijnlijkheid van intraoperatieve hypertensieve bloeddruk te voorspellen variabiliteit (IHBPV) met behulp van baseline-informatie en intraoperatieve factoren. De modellen zijn gebouwd met behulp van de python 3.9-versie, met de panda's 1.3.4 bibliotheek voor het opschonen van gegevens, de Scikit-Learn 0.24.2-bibliotheek voor het maken van modellen en optimalisatie van hyperparameters, en de shap 0.41.0-bibliotheek voor interpreteerbaarheid.
De training van de voorspellingsmodellen werd uitgevoerd met behulp van een dataset van 47520 patiënten, die werd opgesplitst in trainings- (70%) en test- (30%) sets op basis van de verdeling van de uitkomstvariabele (fig. 1). Voor validatiedoeleinden werd een kruisvalidatiebenadering gebruikt voor de trainingsset. Bij het verifiëren van dergelijke datasets werd een hiërarchische k-voudige kruisvalidatie gebruikt vanwege de efficiëntie en soepelheid ervan. Elke dataset werd willekeurig verdeeld in k-vouwen, waarbij k1-vouwen werden gebruikt voor trainingsdoeleinden en de rest werd gebruikt als validatieset. Het evalueren van de prestaties van de drie voorspellingsmodellen werd onafhankelijk en iteratief gevalideerd met behulp van k-voudige kruisvalidatie van k = 5. De beste nauwkeurigheid van alle drie de algoritmen werd bereikt door 5-voudige kruisvalidatie. Onze belangrijkste indicator is het vergelijken van het gebied onder de curve (AUC), het gebied onder de ontvanger-bedrijfskarakteristiek (ROC)-curve. Betrouwbaarheidsintervallen van de AUC worden geschat met behulp van een geschatte indicator van 100 bootstrapped samples. De statistieken die we voor vergelijking hebben gebruikt, omvatten nauwkeurigheid, precisie, gevoeligheid, specificiteit en F1-score, die allemaal worden gebruikt om de prestaties van een classificatiemodel te meten. De vergelijking van meerdere statistieken zorgt voor een evenwichtige beoordeling van de sterke en zwakke punten van het model.
De Permutatie Importance-methode wordt gebruikt om de gevoeligheid van het variabelenmodel te analyseren. Permutatie Belang is geschikt voor gegevens in tabelvorm en de evaluatie van het belang van een kenmerk hangt af van de achteruitgang van de prestaties van het model nadat het kenmerk willekeurig is herschikt. Het is ook niet beperkt tot specifieke modelcategorieën en heeft een breed scala aan toepassingen. Permutatiekenmerkbelang is een modelverificatietechniek die het kenmerkbelang van de geschatte waarden van de gegeven dataset regelt, waarbij belang wordt gedefinieerd als de afname van de modelscore wanneer een enkele kenmerkwaarde willekeurig wordt geschud. De verandering in het voorspellingsvermogen van het model wordt gebruikt om te bepalen of het nodig is om de opgenomen variabelen te verwijderen. Deze techniek profiteert van de onkenbaarheid van het model en kan meerdere keren worden berekend met verschillende kenmerkarrangementen.
2.5 Interpretatiemethoden De verklarende methoden in dit onderzoek zijn gebaseerd op XGBoost, aangezien XGBoost de beste resultaten opleverde bij het voorspellen en in eerdere onderzoeken is aangetoond dat het goed compatibel is met de SHAP-methode. XGBoost is een recent ontwikkelde machine learning-technologie die op veel gebieden op grote schaal wordt gebruikt. Als draagbare en flexibele methode geschikt voor een groot aantal toepassingen. Het is gebaseerd op Cause Based Decision Tree en Gradient Boosting Machine-algoritme, voornamelijk om de fout van het leerlingmodel te verminderen. In elke iteratie van de lift werden de gradiënten van de eerste en tweede orde van de doelfunctie "kwadratische fout" berekend voor elke trainingscasus. Het is dus via meerdere eenvoudige basisleerders die voortdurend het verschil tussen modelwaarden en werkelijke waarden verkleinen. Het krijgt de mogelijkheid om boomrooimethoden te verbeteren om bijna alle gegevenstypen snel en nauwkeurig te verwerken. Met deze unieke functies kan het algoritme effectief worden gebruikt in regressievoorspellingsmodellen. XGBoost Wordt ook gebruikt om grote datasets met een groot aantal eigenschappen en classificaties te verwerken en biedt praktische en bekwame oplossingen bij het overwegen van afwegingen tussen efficiëntie en nauwkeurigheid.
We hebben interpreteerbaarheid toegepast op het ML-model, en interpreteerbare ML-modellen omvatten Local Interpretable-methoden, Global Interpretable-methoden en Interactive Interpretable-methoden. Lokale interpreteerbare methoden kunnen specifiek de impact van individuele voorspellers op de uitkomstindex voor een enkele steekproef identificeren, d.w.z. het verkennen van de peri-operatieve voorspellers die de grootste impact hebben op IHBPV. De uiteindelijke output van Local Interpretable-methoden is de grootte en proportie van veranderingen in SHAP-waarden voor elke voorspeller voor een specifieke patiënt. Global Interpretable-methoden kunnen specifiek de algehele impact van voorspellers op uitkomsten voor alle monsters identificeren, d.w.z. het onderzoeken van perioperatieve voorspellers die een uitgebreide impact hebben op de bloeddrukvariabiliteit tijdens chirurgie voor alle patiënten. Ten slotte onderzoeken interactieve interpreteerbare methoden de wijzigende effecten van meerdere voorspellers, d.w.z. het fenomeen van de impact van een voorspeller op de uitkomst die verandert met het niveau van andere voorspellers op verschillende niveaus. Het bestaan ervan geeft aan dat de effecten van meerdere gelijktijdig bestudeerde voorspellende factoren niet onafhankelijk zijn. De interpretatie van interactie in deze studie kan specifiek de gezamenlijke impact van verschillende voorspellers op IHBPV identificeren.
Studietype
Inschrijving (Werkelijk)
Contacten en locaties
Studie Locaties
-
-
Beijing
-
Beijing, Beijing, China, 102218
- Zhifeng Gao
-
-
Deelname Criteria
Geschiktheidscriteria
Leeftijden die in aanmerking komen voor studie
- Kind
- Volwassen
- Oudere volwassene
Accepteert gezonde vrijwilligers
Bemonsteringsmethode
Studie Bevolking
Beschrijving
Inclusiecriteria:
- patiënten die algemene anesthesie, intraveneuze anesthesie of intraveneuze inhalatie-anesthesie kregen, en ASA1-5-graad.
Uitsluitingscriteria:
- operaties met ontbrekende belangrijke informatie en operaties die tijdens de operatie niet op bloeddruk werden gecontroleerd
Studie plan
Hoe is de studie opgezet?
Ontwerpdetails
- Observatiemodellen: Geval-overgang
- Tijdsperspectieven: Retrospectief
Cohorten en interventies
Groep / Cohort |
Interventie / Behandeling |
|---|---|
|
team voor hoge bloeddrukvariaties
De groep met overmatige bloeddrukschommelingen tijdens de operatie is het team met hoge bloeddrukvariaties
|
Geen tussenkomst
|
Wat meet het onderzoek?
Primaire uitkomstmaten
Uitkomstmaat |
Maatregel Beschrijving |
Tijdsspanne |
|---|---|---|
|
Intraoperatieve hoge bloeddrukvariabiliteit
Tijdsspanne: Perioperatieve periode
|
we definiëren gevallen van IHBPV als situaties waarin de CV van MAP hoger is dan 20% tijdens de operatie, ongeacht of de toename in bloeddrukvariabiliteit het gevolg is van een verlaging of een verhoging van de bloeddruk.
|
Perioperatieve periode
|
Medewerkers en onderzoekers
Studie record data
Bestudeer belangrijke data
Studie start (Werkelijk)
Primaire voltooiing (Werkelijk)
Studie voltooiing (Werkelijk)
Studieregistratiedata
Eerst ingediend
Eerst ingediend dat voldeed aan de QC-criteria
Eerst geplaatst (Werkelijk)
Updates van studierecords
Laatste update geplaatst (Werkelijk)
Laatste update ingediend die voldeed aan QC-criteria
Laatst geverifieerd
Meer informatie
Termen gerelateerd aan deze studie
Trefwoorden
Andere studie-ID-nummers
- 22232-4-02
Plan Individuele Deelnemersgegevens (IPD)
Bent u van plan om gegevens van individuele deelnemers (IPD) te delen?
Informatie over medicijnen en apparaten, studiedocumenten
Bestudeert een door de Amerikaanse FDA gereguleerd geneesmiddel
Bestudeert een door de Amerikaanse FDA gereguleerd apparaatproduct
Deze informatie is zonder wijzigingen rechtstreeks van de website clinicaltrials.gov gehaald. Als u verzoeken heeft om uw onderzoeksgegevens te wijzigen, te verwijderen of bij te werken, neem dan contact op met register@clinicaltrials.gov. Zodra er een wijziging wordt doorgevoerd op clinicaltrials.gov, wordt deze ook automatisch bijgewerkt op onze website .