- ICH GCP
- US Clinical Trials Registry
- Klinisk utprøving NCT05698433
Utvikling av en prediksjonsmodell for intraoperativ blodtrykksvariabilitet
Utvikling av en prediktiv modell for intraoperativ blodtrykksvariabilitet: en retrospektiv kohortstudie
Mål: Målet med denne studien var å bruke maskinlæring til å forutsi og tolke intraoperativ høyt blodtrykksvariasjon (IHBPV).
Design: Retrospektiv kohortstudie. Innstilling: Beijing Tsinghua Chang Gung sykehus. Dataressurser: 47520 operasjoner utført under generell anestesi i den sentrale operasjonssalen fra mars 2016 til april 2022.
Intervensjoner: Ingen. Målinger: Vi samlet inn data om preoperativ baselineinformasjon og intraoperative variabler. Modellen ble konstruert med python og kjørt ved å bruke følgende modeller: XGBoost, random forest, LGBoost og logistisk regresjon.
Studieoversikt
Detaljert beskrivelse
Introduksjon Blodtrykksvariabilitet (BPV) er en beskrivelse av graden av fluktuasjon av en pasients blodtrykk, slik som standardavvik、gjennomsnittlig reell variabilitet og variasjon uavhengig av gjennomsnittet, Termene ovenfor beskriver alle situasjonen til BPV i varierende grad. BPV er delt inn i forskjellige typer, og pasientens kortsiktige BPV er relatert til andre termer BPV。I tillegg til den numeriske verdien av selve blodtrykket, vil høy blodtrykksvariasjon føre til en rekke komplikasjoner, for eksempel skade på målorganer 、kardiovaskulære hendelser, og til og med død. Relevant litteratur og retningslinjer anbefaler også at økningen eller reduksjonen av blodtrykket ikke bør overstige 20 % av den grunnleggende blodtrykksverdien, og å redusere risikoen for intraoperativ høyt blodtrykksvariasjon (IHBPV) har blitt en av anestesilegenes viktige oppgaver. Vanlige vitale tegn registrert under operasjon inkluderer blodtrykk, hjertefrekvens og respirasjonsfrekvens, som kan føre til at BPV blir oversett av anestesileger. Faktorene som forårsaker IHBPV er komplekse, og pasientens egen vaskulære status, sympatisk nervøs eksitabilitet, narkotikabruk, væske balanse og kirurgisk stimulering kan forårsake IHBPV og øke dens perioperative risiko, noe som påvirker pasientens prognose. Flerdimensjonale, tidsvarierende endringer gjør det vanskelig for anestesileger å gjøre vurderinger, og det er for tiden mangel på effektiv prediksjon og forklaring av IHBPV.
Maskinlæring (ML) er et tverrfaglig felt som studerer hvordan datamaskiner simulerer menneskelig læringsatferd og omorganiserer eksisterende kunnskapsstrukturer for å forbedre ytelsen og tilegne seg ny kunnskap og ferdigheter. Nyere forskning har funnet at ML har fordeler med å forutsi og forklare komplekse systemer, ML er egnet for å analysere komplekse data fra den virkelige verden og behandle tidsseriedata. Hensikten med denne studien var å konstruere maskinlæringsmodeller for å forutsi forekomsten av IHBPV under total kirurgi hos pasienter, og å klargjøre grunnlinjeinformasjonen og intraoperative faktorer som fører til IHBPV, for å hjelpe anestesileger med å forbedre håndteringen av BPV under operasjonen .
- Materialer og metoder 2.1 Studiedesign Denne retrospektive studien samlet inn data fra Beijing Tsinghua Chang Gung Hospital tilknyttet Tsinghua University fra mars 2016 til april 2022, alle pasienter som ble operert på operasjonssalen i senteret med godkjenning fra den etiske komiteen ble inkludert i studere. Studien hentet hovedsakelig pasientinformasjon fra HIS-systemet og Medtronic-systemet og hadde som mål å forutsi muligheten for IHBPV hos pasienter basert på baselineinformasjon og intraoperative faktorer gjennom ML-modeller og å forklare økningen i risikoen for IHBPV blant pasienter gjennom tolkbar ML modeller.
Den opprinnelige databasen besto av 52250 tilfeller av generell anestesikirurgi. Utvalgsstørrelsen var basert på skalaen til den eksisterende databasen, hvorav 47520 operasjoner oppfylte kriteriene i denne studien. Inklusjonskriteriene var pasienter som fikk generell anestesi, intravenøs anestesi eller intravenøs inhalasjonsanestesi og ASA1-5 grad. Og eksklusjonskriteriene var operasjoner med manglende nøkkelinformasjon og operasjoner som ikke ble overvåket for blodtrykk gjennom hele operasjonen. For operasjoner med manglende eller tvetydig informasjon brukte vi en slettemetode for å sikre autentisiteten til dataene. Viktige variabler inkluderte tidsregistreringer, vitale tegn og væskebalanse. Etikkkomiteen ved Beijing Tsinghua Chang Gung Hospital har godkjent studien og frafalt kravet om personlig informert samtykke, siden det er en retrospektiv studie, denne forskningen har også blitt godkjent av China Clinical Trial Registration Center. Denne studien fulgte den relevante delen av "Transparent Reportingof a Multivariable Prediction Model for Individual Prognosis or Diagnosis" (TRIPOD) rapporteringsretningslinjer for kliniske prediksjonsmodeller, som inkluderer ofte brukte referanseelementer for å bygge kliniske prediksjonsmodeller.
2.2 Datainnsamling Denne studien hentet i hovedsak baselineinformasjonen til pasienter fra HIS-systemet, inkludert høyde, vekt, kjønn, sykdomsdiagnose og kirurgisk metode, og hentet ut intraoperative faktorer fra Medtronics kirurgiske anestesisystem som uavhengige variabler, inkludert intraoperativt blodtrykk, intraoperative medikamentdata, væskebalanse og viktige kirurgiske operasjoner registrert under operasjonen. Vi valgte ut noen vanlige legemidler, og kriteriene for vanlig brukte legemidler var at bruksfrekvensen av legemidlet i ulike operasjoner oversteg en tidel. De vanligste legemidlene er sevofluran, propofol, dexmedetomidin, midazolam, remifentanil, sufentanil, metoksamin og rokuronium; For preoperative diagnoser, med tanke på deres innvirkning på blodtrykksvariabiliteten, prioriterte vi utvinning av binære variabler relatert til blodtrykk, som hjertedysfunksjon og nyredysfunksjon.
2.3 Diagnostiske kriterier for IHBPV Det primære endepunktet for denne studien er blodtrykksvariabilitet (BPV) som har blitt studert i flere tidligere artikler, BPV har forskjellige definisjoner og beregningsmetoder, hver med sine egne fordeler. Variasjonskoeffisienten (CV) for intraoperativt gjennomsnittlig arterielt trykk (MAP) ble brukt som et kvantitativt mål på BPV. Den tar hensyn til pasientens blodtrykkssvingninger samtidig som den tar i betraktning deres baseline blodtrykksnivå. I denne studien beregnet vi variasjonskoeffisienten (CV) til den intraoperative MAP som en kvantitativ indikator på blodtrykksvariabilitet (BPV), CV til MAP beregnes ved å dele standardavviket til MAP med middelverdien til MAP。 Iht. tidligere litteratur og retningslinjer, bør økningen og reduksjonen i pasientens blodtrykk under operasjonen ikke overstige 20 % av baseline-blodtrykket. Derfor definerer vi tilfeller av IHBPV som situasjoner der CV til MAP overstiger 20 % under operasjonen, uavhengig av om økningen i blodtrykksvariasjonen skyldes en reduksjon eller en økning i blodtrykket.
Blodtrykket registrert hvert femte minutt fra begynnelsen av anestesi brukes til å beregne BPV, og den primære kilden til blodtrykksinformasjon er den invasive arterielle linjen, og hvis denne informasjonen ikke er tilgjengelig, brukes ikke-invasive mansjettmålinger. På grunn av de forskjellige overvåkingssituasjonene under operasjonen, kan invasivt arterielt trykk registreres flere ganger per minutt, mens ikke-invasive mansjettmålinger registreres minst hvert femte minutt. Alle registrerte blodtrykksverdier brukes til å bedømme om pasienten overholder IHBPV.
2.3 Forutsi modeller Prediksjon er en overvåket maskinlæringsteknologi (ML) som er svært effektiv i å forutsi dataanalyse. Den er basert på treningsdata for å kartlegge nye inngangsposter til spesifikke avhengige utdatavariabler basert på de relevante uavhengige variabelverdiene. På grunn av dens evne til å håndtere komplekse korrelerte variabler og dens effektivitet i å håndtere gjensidig korrelerte variabler, er det avgjørende å bruke nye prediksjonsalgoritmer for å oppnå optimal nøyaktighet.
I denne studien utviklet vi fire prediksjonsmodeller for maskinlæring (ML), ekstrem gradientforsterkning (XGBoost) 、Light Gradient Boosting(LGBoost)、 random skog (RF) og logistisk regresjon (LR) for å forutsi sannsynligheten for intraoperativt hypertensivt blodtrykk variabilitet (IHBPV) ved bruk av baselineinformasjon og intraoperative faktorer. Modellene ble bygget med python 3.9-versjonen, med pandaene 1.3.4 bibliotek for datarensing, Scikit-Learn 0.24.2-biblioteket for modelloppretting og hyperparameteroptimalisering, og shap 0.41.0-biblioteket for tolkning.
Treningen av prediksjonsmodellene ble utført ved bruk av et datasett på 47520 pasienter, som ble delt inn i trenings- (70 %) og testing (30 %) sett basert på fordelingen av utfallsvariabelen (fig. 1). For valideringsformål ble en kryssvalideringstilnærming brukt for opplæringssettet. Ved verifisering av slike datasett ble en hierarkisk k-fold kryssvalidering brukt på grunn av dens effektivitet og jevnhet. Hvert datasett ble tilfeldig delt inn i k-folder, med k 1-folder brukt til treningsformål og resten brukt som et valideringssett. For å evaluere ytelsen til de tre prediksjonsmodellene ble uavhengig og iterativt validert ved bruk av k-fold kryssvalidering fra k = 5. Den beste nøyaktigheten av alle tre algoritmene ble oppnådd ved 5-dobbel kryssvalidering. Vår hovedindikator er å sammenligne arealet under kurven (AUC), området under mottakerens driftskarakteristikk (ROC) kurven. Konfidensintervaller for AUC estimeres ved å bruke en estimert indikator på 100 bootstrapped prøver. Beregningene vi brukte for sammenligning inkluderer nøyaktighet, presisjon, sensitivitet, spesifisitet og F1-score, som alle brukes til å måle ytelsen til en klassifiseringsmodell. Sammenligningen av flere beregninger gir mulighet for en balansert vurdering av styrker og svakheter ved modellen.
Metoden Permutation Importance brukes til å analysere sensitiviteten til variabelmodellen. Permutasjonsviktighet er egnet for tabelldata, og evalueringen av viktigheten av en funksjon avhenger av nedgangen i ytelsen til modellen etter at funksjonen er tilfeldig omorganisert. Den er heller ikke begrenset til spesifikke modellkategorier og har et bredt spekter av bruksområder. Permutasjonsfunksjonsviktighet er en modellverifiseringsteknikk som ordner funksjonsviktigheten til de estimerte verdiene til det gitte datasettet, der viktighet defineres som nedgangen i modellskåren når en enkelt funksjonsverdi blandes tilfeldig. Endringen i modellens prediksjonsevne brukes til å avgjøre om det er nødvendig å slette de inkluderte variablene. Denne teknikken drar nytte av modellens ukjenthet og kan beregnes flere ganger med forskjellige funksjonsarrangementer.
2.5 Tolkemetoder Forklarende metoder i denne studien er basert på XGBoost, da XGBoost ga de beste resultatene i prediksjon og har vist seg å ha god kompatibilitet med SHAP-metoden i tidligere studier. XGBoost er en nylig utviklet maskinlæringsteknologi som har blitt mye brukt på mange felt. Som en bærbar og fleksibel metode er egnet for en rekke bruksområder. Den er basert på Cause Based Decision Tree og Gradient Boosting Machine-algoritmen, hovedsakelig for å redusere feilen til elevmodellen. I hver løfteiterasjon ble første- og andreordens gradienter av objektivfunksjonen "kvadratfeil" beregnet for hvert treningstilfelle. Så det er gjennom flere enkle basislærere som stadig reduserer forskjellen mellom modellverdier og faktiske verdier. Den får muligheten til å forbedre treløftingsmetoder for raskt og nøyaktig å behandle nesten alle datatyper. Med disse unike funksjonene kan algoritmen effektivt brukes i regresjonsprediksjonsmodeller. XGBoost Brukes også til å håndtere store datasett med et stort antall egenskaper og klassifikasjoner og gir praktiske og dyktige løsninger når man vurderer effektivitet og nøyaktighet avveininger.
Vi brukte tolkbarhet på ML-modellen, og tolkbare ML-modeller inkluderer lokale tolkbare metoder, globale tolkbare metoder og interaktive tolkbare metoder. Lokale tolkbare metoder kan spesifikt identifisere effekten av individuelle prediktorer på utfallsindeksen for en enkelt prøve, det vil si å utforske de perioperative prediktorene som har størst innvirkning på IHBPV. Det endelige resultatet av lokale tolkbare metoder er størrelsen og andelen av endringer i SHAP-verdier for hver prediktor for en spesifikk pasient. Globale tolkbare metoder kan spesifikt identifisere den generelle innvirkningen av prediktorer på utfall for alle prøver, det vil si å utforske perioperative prediktorer som har en omfattende innvirkning på blodtrykksvariasjonen under operasjonen for alle pasienter. Til slutt utforsker interaktive tolkbare metoder de modifiserende effektene blant flere prediktorer, dvs. fenomenet med en prediktors innvirkning på utfallet som endrer seg med nivået til andre prediktorer på forskjellige nivåer. Dens eksistens indikerer at effekten av flere prediktorer studert samtidig ikke er uavhengige. Tolkningen av interaksjon i denne studien kan spesifikt identifisere den felles innvirkningen av ulike prediktorer på IHBPV.
Studietype
Registrering (Faktiske)
Kontakter og plasseringer
Studiesteder
-
-
Beijing
-
Beijing, Beijing, Kina, 102218
- Zhifeng Gao
-
-
Deltakelseskriterier
Kvalifikasjonskriterier
Alder som er kvalifisert for studier
- Barn
- Voksen
- Eldre voksen
Tar imot friske frivillige
Prøvetakingsmetode
Studiepopulasjon
Beskrivelse
Inklusjonskriterier:
- pasienter som fikk generell anestesi, intravenøs anestesi eller intravenøs inhalasjonsanestesi og ASA1-5 grad.
Ekskluderingskriterier:
- operasjoner med manglende nøkkelinformasjon og operasjoner som ikke ble overvåket for blodtrykk gjennom hele operasjonen
Studieplan
Hvordan er studiet utformet?
Designdetaljer
- Observasjonsmodeller: Case-Crossover
- Tidsperspektiver: Retrospektiv
Kohorter og intervensjoner
Gruppe / Kohort |
Intervensjon / Behandling |
|---|---|
|
team med høy blodtrykksvariasjon
Gruppen med for store blodtrykkssvingninger under drift er team med høy blodtrykksvariasjon
|
Ingen inngrep
|
Hva måler studien?
Primære resultatmål
Resultatmål |
Tiltaksbeskrivelse |
Tidsramme |
|---|---|---|
|
Intraoperativ høyt blodtrykksvariasjon
Tidsramme: Peroperativ periode
|
vi definerer tilfeller av IHBPV som situasjoner der CV til MAP overstiger 20 % under operasjonen, uavhengig av om økningen i blodtrykksvariasjonen skyldes en reduksjon eller en økning i blodtrykket.
|
Peroperativ periode
|
Samarbeidspartnere og etterforskere
Studierekorddatoer
Studer hoveddatoer
Studiestart (Faktiske)
Primær fullføring (Faktiske)
Studiet fullført (Faktiske)
Datoer for studieregistrering
Først innsendt
Først innsendt som oppfylte QC-kriteriene
Først lagt ut (Faktiske)
Oppdateringer av studieposter
Sist oppdatering lagt ut (Faktiske)
Siste oppdatering sendt inn som oppfylte QC-kriteriene
Sist bekreftet
Mer informasjon
Begreper knyttet til denne studien
Nøkkelord
Andre studie-ID-numre
- 22232-4-02
Plan for individuelle deltakerdata (IPD)
Planlegger du å dele individuelle deltakerdata (IPD)?
Legemiddel- og utstyrsinformasjon, studiedokumenter
Studerer et amerikansk FDA-regulert medikamentprodukt
Studerer et amerikansk FDA-regulert enhetsprodukt
Denne informasjonen ble hentet direkte fra nettstedet clinicaltrials.gov uten noen endringer. Hvis du har noen forespørsler om å endre, fjerne eller oppdatere studiedetaljene dine, vennligst kontakt register@clinicaltrials.gov. Så snart en endring er implementert på clinicaltrials.gov, vil denne også bli oppdatert automatisk på nettstedet vårt. .