Ta strona została przetłumaczona automatycznie i dokładność tłumaczenia nie jest gwarantowana. Proszę odnieść się do angielska wersja za tekst źródłowy.

Opracowanie modelu prognozowania śródoperacyjnej zmienności ciśnienia krwi

20 czerwca 2023 zaktualizowane przez: Zhifeng Gao, Beijing Tsinghua Chang Gung Hospital

Opracowanie modelu predykcyjnego dla śródoperacyjnej zmienności ciśnienia krwi: retrospektywne badanie kohortowe

Cel: Celem tego badania było wykorzystanie uczenia maszynowego do przewidywania i interpretowania śródoperacyjnej zmienności wysokiego ciśnienia krwi (IHBPV).

Projekt: Retrospektywne badanie kohortowe. Otoczenie: Szpital Tsinghua Chang Gung w Pekinie. Zasoby danych: 47520 operacji wykonanych w znieczuleniu ogólnym na centralnej sali operacyjnej od marca 2016 do kwietnia 2022 roku.

Interwencje: Brak. Pomiary: Zebraliśmy dane dotyczące przedoperacyjnych informacji wyjściowych i zmiennych śródoperacyjnych. Model został skonstruowany za pomocą Pythona i uruchomiony przy użyciu następujących modeli: XGBoost, losowy las, LGBoost i regresja logistyczna.

Przegląd badań

Status

Zakończony

Warunki

Interwencja / Leczenie

Szczegółowy opis

  1. Wprowadzenie Zmienność ciśnienia krwi (BPV) to opis stopnia fluktuacji ciśnienia krwi pacjenta, taki jak odchylenie standardowe, średnia rzeczywista zmienność i zmienność niezależna od średniej. Wszystkie powyższe terminy opisują sytuację BPV w różnym stopniu. BPV dzieli się na różne typy, a krótkoterminowy BPV pacjenta jest powiązany z innymi terminami BPV. Oprócz wartości liczbowej samego ciśnienia krwi, zmienność wysokiego ciśnienia krwi przyniesie szereg powikłań, takich jak uszkodzenie narządu docelowego 、zdarzenia sercowo-naczyniowe, a nawet śmierć. Odpowiednie piśmiennictwo i wytyczne zalecają również, aby wzrost lub spadek ciśnienia krwi nie przekraczał 20% wartości ciśnienia podstawowego, a zmniejszenie ryzyka śródoperacyjnej zmienności wysokiego ciśnienia krwi (IHBPV) stało się jednym z ważnych zadań anestezjologów. regularne parametry życiowe rejestrowane podczas operacji obejmują ciśnienie krwi, częstość akcji serca i częstość oddechów, co może powodować przeoczenie BPV przez anestezjologów; Czynniki, które powodują IHBPV są złożone, a stan naczyniowy pacjenta, współczulna pobudliwość nerwowa, zażywanie narkotyków, płyny równowaga i stymulacja chirurgiczna mogą powodować IHBPV i zwiększać ryzyko okołooperacyjne, wpływając na rokowanie pacjenta. Wielowymiarowe, zmienne w czasie zmiany utrudniają anestezjologom dokonywanie osądów, a obecnie brakuje skutecznego przewidywania i wyjaśnienia IHBPV.

    Uczenie maszynowe (ML) to interdyscyplinarna dziedzina, która bada, w jaki sposób komputery symulują ludzkie zachowania związane z uczeniem się i reorganizują istniejące struktury wiedzy w celu poprawy ich wydajności oraz zdobycia nowej wiedzy i umiejętności. Ostatnie badania wykazały, że ML ma zalety w przewidywaniu i wyjaśnianiu złożonych systemów, ML jest odpowiedni do analizowania złożonych danych rzeczywistych i przetwarzania danych szeregów czasowych. Celem tego badania było skonstruowanie modeli uczenia maszynowego w celu przewidywania występowania IHBPV podczas całej operacji u pacjentów oraz wyjaśnienia podstawowych informacji i czynników śródoperacyjnych, które prowadzą do IHBPV, aby pomóc anestezjologom w poprawie zarządzania BPV podczas operacji .

  2. Materiały i metody 2.1 Projekt badania W tym retrospektywnym badaniu zebrano dane ze szpitala Beijing Tsinghua Chang Gung powiązanego z Uniwersytetem Tsinghua w okresie od marca 2016 do kwietnia 2022. Wszyscy pacjenci, którzy przeszli operację w centralnej sali operacyjnej za zgodą komisji etycznej, zostali włączeni do badanie. W badaniu uzyskano głównie informacje o pacjentach z systemu HIS i systemu Medtronic, a jego celem było przewidzenie możliwości IHBPV u pacjentów na podstawie informacji wyjściowych i czynników śródoperacyjnych za pomocą modeli ML oraz wyjaśnienie wzrostu ryzyka IHBPV wśród pacjentów za pomocą możliwej do interpretacji ML modele.

Oryginalna baza danych zawierała 52250 przypadków operacji w znieczuleniu ogólnym. Wielkość próby oparto na skali istniejącej bazy danych, z której 47520 operacji spełniało kryteria tego badania. Kryteriami włączenia byli pacjenci, którzy otrzymali znieczulenie ogólne, znieczulenie dożylne lub znieczulenie dożylne wziewne oraz stopień ASA1-5. A kryteriami wykluczającymi były operacje z brakującymi kluczowymi informacjami i operacje, które nie były monitorowane pod kątem ciśnienia krwi podczas całej operacji. W przypadku operacji z brakującymi lub niejednoznacznymi informacjami zastosowaliśmy metodę usuwania, aby zapewnić autentyczność danych. Ważnymi zmiennymi były zapisy czasu, parametry życiowe i bilans płynów. Komisja Etyki Szpitala Tsinghua Chang Gung w Pekinie zatwierdziła badanie i zniosła wymóg uzyskania osobistej świadomej zgody, ponieważ jest to badanie retrospektywne. Badanie to zostało również zatwierdzone przez Chińskie Centrum Rejestracji Badań Klinicznych. Badanie zostało przeprowadzone zgodnie z odpowiednią częścią wytyczne raportowania „Transparent Reporting of a Multivariable Prediction Model for Individual Prognosis or Diagnosis” (TRIPOD) dotyczące klinicznych modeli predykcyjnych, które obejmują powszechnie używane elementy odniesienia do budowania klinicznych modeli predykcyjnych.

2.2 Gromadzenie danych W tym badaniu uzyskano głównie podstawowe informacje o pacjentach z systemu HIS, w tym wzrost, wagę, płeć, rozpoznanie choroby i metodę chirurgiczną, oraz wyodrębniono czynniki śródoperacyjne z systemu do znieczulenia chirurgicznego firmy Medtronic jako zmienne niezależne, w tym śródoperacyjne ciśnienie krwi, śródoperacyjne dane dotyczące leków, równowagi płynów i kluczowych operacji chirurgicznych zarejestrowanych podczas operacji. Wybraliśmy niektóre powszechnie stosowane leki, a kryteria dla powszechnie stosowanych leków były takie, że częstotliwość stosowania leku w różnych operacjach przekroczyła jedną dziesiątą. Powszechnie stosowanymi lekami są sewofluran, propofol, deksmedetomidyna, midazolam, remifentanyl, sufentanyl, metoksamina i rokuronium; W przypadku diagnoz przedoperacyjnych, biorąc pod uwagę ich wpływ na zmienność ciśnienia krwi, nadaliśmy priorytet ekstrakcji zmiennych binarnych związanych z ciśnieniem krwi, takich jak dysfunkcja serca i dysfunkcja nerek.

2.3 Kryteria diagnostyczne dla IHBPV Pierwszorzędowym punktem końcowym tego badania jest zmienność ciśnienia krwi (BPV), którą badano w kilku poprzednich artykułach, BPV ma różne definicje i metody obliczania, z których każda ma swoje zalety. Jako ilościową miarę BPV zastosowano współczynnik zmienności (CV) śródoperacyjnego średniego ciśnienia tętniczego (MAP). Uwzględnia on wahania ciśnienia krwi pacjenta, uwzględniając jednocześnie jego wyjściowy poziom ciśnienia krwi. W tym badaniu obliczyliśmy współczynnik zmienności (CV) śródoperacyjnego MAP jako ilościowy wskaźnik zmienności ciśnienia krwi (BPV), CV MAP oblicza się dzieląc odchylenie standardowe MAP przez średnią wartość MAP. Zgodnie z Zgodnie z dotychczasowymi zaleceniami literaturowymi i wytycznymi wzrost i spadek ciśnienia tętniczego krwi pacjenta podczas operacji nie powinien przekraczać 20% wartości ciśnienia wyjściowego. Dlatego przypadki IHBPV definiujemy jako sytuacje, w których CV MAP przekracza 20% w czasie operacji, niezależnie od tego, czy wzrost zmienności ciśnienia tętniczego jest spowodowany spadkiem, czy wzrostem ciśnienia tętniczego.

Ciśnienie krwi rejestrowane co pięć minut od początku znieczulenia służy do obliczenia BPV, a głównym źródłem informacji o ciśnieniu krwi jest inwazyjna linia tętnicza, a jeśli ta informacja nie jest dostępna, stosuje się nieinwazyjne pomiary mankietem. Ze względu na różne sytuacje monitorowania podczas operacji, inwazyjne ciśnienie tętnicze można rejestrować wiele razy na minutę, podczas gdy nieinwazyjne pomiary mankietu są rejestrowane co najmniej co pięć minut. Wszystkie zarejestrowane wartości ciśnienia krwi są wykorzystywane do oceny, czy pacjent przestrzega IHBPV.

2.3 Modele przewidywania Predykcja to nadzorowana technologia uczenia maszynowego (ML), która jest bardzo skuteczna w przewidywaniu analizy danych. Opiera się na danych treningowych w celu mapowania nowych rekordów wejściowych na określone zależne zmienne wyjściowe w oparciu o odpowiednie wartości zmiennych niezależnych. Ze względu na zdolność do obsługi złożonych skorelowanych zmiennych i skuteczność w obsłudze wzajemnie skorelowanych zmiennych, kluczowe znaczenie ma zastosowanie nowatorskich algorytmów predykcyjnych w celu osiągnięcia optymalnej dokładności.

W tym badaniu opracowaliśmy cztery modele przewidywania uczenia maszynowego (ML), ekstremalne wzmocnienie gradientu (XGBoost), wzmocnienie gradientu światła (LGBoost), losowy las (RF) i regresję logistyczną (LR), aby przewidzieć prawdopodobieństwo śródoperacyjnego nadciśnienia tętniczego zmienność (IHBPV) z wykorzystaniem informacji wyjściowych i czynników śródoperacyjnych. Modele zostały zbudowane przy użyciu wersji python 3.9, z pandas 1.3.4 biblioteka do czyszczenia danych, biblioteka Scikit-Learn 0.24.2 do tworzenia modeli i optymalizacji hiperparametrów oraz biblioteka shap 0.41.0 do interpretacji.

Trening modeli prognostycznych przeprowadzono przy użyciu zestawu danych 47520 pacjentów, który został podzielony na zestawy treningowe (70%) i testowe (30%) w oparciu o rozkład zmiennej wynikowej (ryc. 1). Do celów walidacji dla zbioru uczącego zastosowano metodę walidacji krzyżowej. Podczas weryfikacji takich zbiorów danych zastosowano hierarchiczną k-krotną walidację krzyżową ze względu na jej wydajność i płynność. Każdy zestaw danych został losowo podzielony na k krotności, przy czym k 1 krotności wykorzystano do celów szkoleniowych, a resztę wykorzystano jako zbiór walidacyjny. Aby ocenić wydajność trzech modeli predykcyjnych, niezależnie i iteracyjnie zweryfikowano przy użyciu k-krotnej walidacji krzyżowej od k = 5. Najlepszą dokładność wszystkich trzech algorytmów uzyskano dzięki 5-krotnej walidacji krzyżowej. Naszym głównym wskaźnikiem jest porównanie obszaru pod krzywą (AUC), obszaru pod krzywą charakterystyki działania odbiornika (ROC). Przedziały ufności AUC są szacowane przy użyciu oszacowanego wskaźnika 100 próbek ładowanych metodą bootstrap. Metryki, których użyliśmy do porównania, obejmują dokładność, precyzję, czułość, specyficzność i wynik F1, które są używane do pomiaru wydajności modelu klasyfikacji. Porównanie wielu metryk pozwala na wyważoną ocenę mocnych i słabych stron modelu.

Metoda ważności permutacji służy do analizy wrażliwości modelu zmiennych. Ważność permutacji jest odpowiednia dla danych tabelarycznych, a ocena ważności cechy zależy od spadku wydajności modelu po losowej zmianie kolejności cechy. Nie ogranicza się również do konkretnych kategorii modeli i ma szeroki wachlarz zastosowań. Ważność cechy permutacji to technika weryfikacji modelu, która porządkuje ważność cechy oszacowanych wartości danego zbioru danych, gdzie ważność jest definiowana jako spadek wyniku modelu, gdy pojedyncza wartość cechy jest tasowana losowo. Zmiana zdolności predykcyjnej modelu służy do określenia, czy konieczne jest usunięcie uwzględnionych zmiennych. Ta technika korzysta z niepoznawalności modelu i może być obliczana wiele razy z różnymi układami cech.

2.5 Metody interpretacji Metody wyjaśniające w tym badaniu są oparte na XGBoost, ponieważ XGBoost dał najlepsze wyniki w prognozowaniu i wykazano, że jest on dobrze kompatybilny z metodą SHAP w poprzednich badaniach. XGBoost to niedawno opracowana technologia uczenia maszynowego, która jest szeroko stosowana w wielu dziedzinach. Jako przenośna i elastyczna metoda nadaje się do różnych zastosowań. Opiera się na drzewie decyzyjnym opartym na przyczynach i algorytmie Gradient Boosting Machine, głównie w celu zmniejszenia błędu modelu ucznia. W każdej iteracji podnoszenia obliczono gradienty pierwszego i drugiego rzędu funkcji celu „błąd kwadratowy” dla każdego przypadku szkoleniowego. Tak więc to dzięki wielu prostym podstawowym uczniom stale zmniejsza się różnica między wartościami modelu a wartościami rzeczywistymi. Zyskuje możliwość ulepszania metod podnoszenia drzew, aby szybko i dokładnie przetwarzać prawie wszystkie typy danych. Dzięki tym unikalnym funkcjom algorytm może być skutecznie wykorzystywany w modelach predykcyjnych regresji. XGBoost jest również używany do obsługi dużych zestawów danych z dużą liczbą właściwości i klasyfikacji oraz zapewnia praktyczne i sprawne rozwiązania przy rozważaniu kompromisów w zakresie wydajności i dokładności.

Zastosowaliśmy interpretowalność do modelu ML, a interpretowalne modele ML obejmują lokalne metody interpretowalne, globalne metody interpretowalne i interaktywne metody interpretowalne. Lokalne metody interpretowalne mogą konkretnie identyfikować wpływ poszczególnych predyktorów na wskaźnik wyników dla pojedynczej próby, tj. badać predyktory okołooperacyjne, które mają największy wpływ na IHBPV. Końcowym wynikiem zastosowania metod Lokalnej Interpretowalności jest wielkość i proporcja zmian wartości SHAP dla każdego predyktora dla konkretnego pacjenta. Globalne metody interpretowalne mogą w szczególności identyfikować ogólny wpływ predyktorów na wyniki dla wszystkich próbek, tj. badać predyktory okołooperacyjne, które mają kompleksowy wpływ na zmienność ciśnienia krwi podczas operacji u wszystkich pacjentów. Wreszcie, interaktywne metody interpretowalne badają modyfikujące efekty wśród wielu predyktorów, tj. zjawisko wpływu predyktora na wynik zmieniający się wraz z poziomem innych predyktorów na różnych poziomach. Jego istnienie wskazuje, że efekty kilku badanych jednocześnie predyktorów nie są niezależne. Interpretacja interakcji w tym badaniu może konkretnie zidentyfikować łączny wpływ różnych predyktorów na IHBPV.

Typ studiów

Obserwacyjny

Zapisy (Rzeczywisty)

47520

Kontakty i lokalizacje

Ta sekcja zawiera dane kontaktowe osób prowadzących badanie oraz informacje o tym, gdzie badanie jest przeprowadzane.

Kontakt w sprawie studiów

Lokalizacje studiów

    • Beijing
      • Beijing, Beijing, Chiny, 102218
        • Zhifeng Gao

Kryteria uczestnictwa

Badacze szukają osób, które pasują do określonego opisu, zwanego kryteriami kwalifikacyjnymi. Niektóre przykłady tych kryteriów to ogólny stan zdrowia danej osoby lub wcześniejsze leczenie.

Kryteria kwalifikacji

Wiek uprawniający do nauki

  • Dziecko
  • Dorosły
  • Starszy dorosły

Akceptuje zdrowych ochotników

Nie

Metoda próbkowania

Próbka prawdopodobieństwa

Badana populacja

Oryginalna baza danych zawierała 52250 przypadków operacji w znieczuleniu ogólnym. Wielkość próby oparto na skali istniejącej bazy danych, z której 47520 operacji spełniało kryteria tego badania.

Opis

Kryteria przyjęcia:

  • pacjenci, którzy otrzymywali znieczulenie ogólne, dożylne lub dożylne wziewne oraz stopień ASA1-5.

Kryteria wyłączenia:

  • operacje z brakującymi kluczowymi informacjami oraz operacje, które nie były monitorowane pod kątem ciśnienia krwi podczas całej operacji

Plan studiów

Ta sekcja zawiera szczegółowe informacje na temat planu badania, w tym sposób zaprojektowania badania i jego pomiary.

Jak projektuje się badanie?

Szczegóły projektu

  • Modele obserwacyjne: Sprawa-Crossover
  • Perspektywy czasowe: Z mocą wsteczną

Kohorty i interwencje

Grupa / Kohorta
Interwencja / Leczenie
zespół zmienności wysokiego ciśnienia krwi
Grupą z nadmiernymi wahaniami ciśnienia tętniczego podczas operacji jest zespół nadciśnienia tętniczego
Brak interwencji

Co mierzy badanie?

Podstawowe miary wyniku

Miara wyniku
Opis środka
Ramy czasowe
Śródoperacyjna zmienność wysokiego ciśnienia krwi
Ramy czasowe: Okres okołooperacyjny
Przypadki IHBPV definiujemy jako sytuacje, w których CV MAP przekracza 20% w czasie operacji, niezależnie od tego, czy wzrost zmienności ciśnienia wynika ze spadku, czy wzrostu ciśnienia.
Okres okołooperacyjny

Współpracownicy i badacze

Tutaj znajdziesz osoby i organizacje zaangażowane w to badanie.

Sponsor

Daty zapisu na studia

Daty te śledzą postęp w przesyłaniu rekordów badań i podsumowań wyników do ClinicalTrials.gov. Zapisy badań i zgłoszone wyniki są przeglądane przez National Library of Medicine (NLM), aby upewnić się, że spełniają określone standardy kontroli jakości, zanim zostaną opublikowane na publicznej stronie internetowej.

Główne daty studiów

Rozpoczęcie studiów (Rzeczywisty)

2 stycznia 2023

Zakończenie podstawowe (Rzeczywisty)

1 kwietnia 2023

Ukończenie studiów (Rzeczywisty)

1 kwietnia 2023

Daty rejestracji na studia

Pierwszy przesłany

16 stycznia 2023

Pierwszy przesłany, który spełnia kryteria kontroli jakości

16 stycznia 2023

Pierwszy wysłany (Rzeczywisty)

26 stycznia 2023

Aktualizacje rekordów badań

Ostatnia wysłana aktualizacja (Rzeczywisty)

22 czerwca 2023

Ostatnia przesłana aktualizacja, która spełniała kryteria kontroli jakości

20 czerwca 2023

Ostatnia weryfikacja

1 czerwca 2023

Więcej informacji

Terminy związane z tym badaniem

Inne numery identyfikacyjne badania

  • 22232-4-02

Plan dla danych uczestnika indywidualnego (IPD)

Planujesz udostępniać dane poszczególnych uczestników (IPD)?

NIE

Informacje o lekach i urządzeniach, dokumenty badawcze

Bada produkt leczniczy regulowany przez amerykańską FDA

Nie

Bada produkt urządzenia regulowany przez amerykańską FDA

Nie

Te informacje zostały pobrane bezpośrednio ze strony internetowej clinicaltrials.gov bez żadnych zmian. Jeśli chcesz zmienić, usunąć lub zaktualizować dane swojego badania, skontaktuj się z register@clinicaltrials.gov. Gdy tylko zmiana zostanie wprowadzona na stronie clinicaltrials.gov, zostanie ona automatycznie zaktualizowana również na naszej stronie internetowej .