Desenvolvimento de um Modelo de Previsão da Variabilidade da Pressão Arterial Intraoperatória

1. Introdução A variabilidade da pressão arterial (BPV) é uma descrição do grau de flutuação da pressão arterial de um paciente, como desvio padrão, variabilidade real média e variabilidade independente da média. O BPV é dividido em diferentes tipos, e o BPV de curto prazo do paciente está relacionado a outros termos BPV。Além do valor numérico da própria pressão arterial, a alta variabilidade da pressão arterial trará uma série de complicações, como danos aos órgãos-alvo 、eventos cardiovasculares e até a morte. A literatura e as diretrizes relevantes também recomendam que o aumento ou a diminuição da pressão arterial não exceda 20% do valor básico da pressão arterial, e reduzir o risco de alta variabilidade intraoperatória da pressão arterial (IHBPV) tornou-se uma das tarefas importantes dos anestesiologistas. sinais vitais regulares registrados durante a cirurgia incluem pressão arterial, frequência cardíaca e frequência respiratória, o que pode fazer com que a VPB seja negligenciada pelos anestesiologistas; equilíbrio e estimulação cirúrgica podem causar IHBPV e aumentar seu risco perioperatório, afetando o prognóstico do paciente. Mudanças multidimensionais e variáveis ​​no tempo tornam difícil para os anestesiologistas fazerem julgamentos, e atualmente há uma falta de previsão e explicação efetivas de IHBPV.

   O aprendizado de máquina (ML) é um campo interdisciplinar que estuda como os computadores simulam o comportamento de aprendizado humano e reorganizam as estruturas de conhecimento existentes para melhorar seu desempenho e adquirir novos conhecimentos e habilidades. Pesquisas recentes descobriram que ML tem vantagens em prever e explicar sistemas complexos, ML é adequado para analisar dados complexos do mundo real e processar dados de séries temporais. O objetivo deste estudo foi construir modelos de aprendizado de máquina para prever a ocorrência de IHBPV durante a cirurgia geral em pacientes e esclarecer as informações basais e os fatores intraoperatórios que levam à IHBPV, a fim de auxiliar os anestesiologistas a melhorar o manejo da BPV durante a cirurgia .

2. Materiais e métodos 2.1 Desenho do estudo Este estudo retrospectivo coletou dados do Hospital Beijing Tsinghua Chang Gung afiliado à Universidade Tsinghua de março de 2016 a abril de 2022, todos os pacientes submetidos à cirurgia na sala de cirurgia do centro com a aprovação do comitê de ética foram incluídos no estudar. O estudo obteve principalmente informações dos pacientes do sistema HIS e do sistema Medtronic e teve como objetivo prever a possibilidade de IHBPV em pacientes com base em informações basais e fatores intraoperatórios por meio de modelos ML e explicar o aumento do risco de IHBPV entre pacientes por meio de ML interpretável modelos.

O banco de dados original consistia em 52.250 casos de cirurgia de anestesia geral. O tamanho da amostra foi baseado na escala do banco de dados existente, das quais 47.520 cirurgias atenderam aos critérios deste estudo. Os critérios de inclusão foram pacientes que receberam anestesia geral, anestesia intravenosa ou anestesia inalatória intravenosa e grau ASA1-5. E os critérios de exclusão foram cirurgias com informações importantes ausentes e cirurgias que não tiveram a pressão arterial monitorada durante a operação. Para cirurgias com informações ausentes ou ambíguas, usamos um método de exclusão para garantir a autenticidade dos dados. Variáveis ​​importantes incluíram registros de tempo, sinais vitais e equilíbrio de fluidos. O Comitê de Ética do Hospital Beijing Tsinghua Chang Gung aprovou o estudo e dispensou a exigência de consentimento informado pessoal, por ser um estudo retrospectivo, esta pesquisa também foi aprovada pelo Centro de Registro de Ensaios Clínicos da China. Este estudo seguiu a parte relevante do as diretrizes de relatórios "Transparent Reportingof a Multivariable Prediction Model for Individual Prognosis or Diagnosis" (TRIPOD) para modelos de previsão clínica, que incluem itens de referência comumente usados ​​para a construção de modelos de previsão clínica.

2.2 Coleta de dados Este estudo obteve principalmente as informações iniciais dos pacientes do sistema HIS, incluindo altura, peso, sexo, diagnóstico da doença e método cirúrgico, e extraiu fatores intraoperatórios do sistema de anestesia cirúrgica Medtronic como variáveis ​​independentes, incluindo pressão arterial intraoperatória, dados de medicamentos intraoperatórios, equilíbrio de fluidos e operações cirúrgicas importantes registradas durante a cirurgia. Selecionamos alguns medicamentos comumente usados, e o critério para medicamentos comumente usados ​​foi que a frequência de uso do medicamento em várias cirurgias excedia um décimo. As drogas comumente utilizadas são sevoflurano, propofol, dexmedetomidina, midazolam, remifentanil, sufentanil, metoxamina e rocurônio; Para os diagnósticos pré-operatórios, considerando seu impacto na variabilidade da pressão arterial, priorizou-se a extração de variáveis ​​binárias relacionadas à pressão arterial, como disfunção cardíaca e disfunção renal.

2.3 Critérios diagnósticos para IHBPV O desfecho primário deste estudo é a variabilidade da pressão arterial (BPV), que foi estudada em vários artigos anteriores. A BPV tem diferentes definições e métodos de cálculo, cada um com suas próprias vantagens. O coeficiente de variação (CV) da pressão arterial média (PAM) intraoperatória foi usado como uma medida quantitativa do VBP. Ele leva em consideração as flutuações da pressão arterial do paciente e também considera o nível basal de pressão arterial. Neste estudo, calculamos o coeficiente de variação (CV) do MAP intraoperatório como um indicador quantitativo da variabilidade da pressão arterial (BPV), o CV do MAP é calculado dividindo o desvio padrão do MAP pelo valor médio do MAP。 De acordo com literatura anterior e recomendações de diretrizes, o aumento e a diminuição da pressão arterial do paciente durante a cirurgia não devem exceder 20% do valor basal da pressão arterial. Portanto, definimos casos de IHBPV como situações em que o CV da PAM excede 20% durante a cirurgia, independentemente de o aumento da variabilidade da pressão arterial ser devido a uma diminuição ou aumento da pressão arterial.

A pressão arterial registrada a cada cinco minutos desde o início da anestesia é usada para calcular o BPV, e a principal fonte de informação da pressão arterial é a linha arterial invasiva e, se essa informação não estiver disponível, medições não invasivas do manguito são usadas. Devido às diferentes situações de monitoramento durante a cirurgia, a pressão arterial invasiva pode ser registrada várias vezes por minuto, enquanto as medições não invasivas do manguito são registradas pelo menos a cada cinco minutos. Todos os valores de pressão arterial registrados são usados ​​para julgar se o paciente cumpre com IHBPV.

2.3 Modelos de previsão A previsão é uma tecnologia de aprendizado de máquina supervisionado (ML) muito eficaz na previsão da análise de dados. É baseado em dados de treinamento para mapear novos registros de entrada em variáveis ​​de saída dependentes específicas com base nos valores de variáveis ​​independentes relevantes. Devido à sua capacidade de lidar com variáveis ​​correlacionadas complexas e sua eficácia em lidar com variáveis ​​mutuamente correlacionadas, é crucial usar novos algoritmos de previsão para alcançar a precisão ideal.

Neste estudo, desenvolvemos quatro modelos de previsão de aprendizado de máquina (ML), aumento de gradiente extremo (XGBoost) 、Light Gradient Boosting（LGBoost）、 floresta aleatória (RF) e regressão logística（LR）para prever a probabilidade de pressão arterial hipertensiva intraoperatória variabilidade (IHBPV) usando informações basais e fatores intraoperatórios. Os modelos foram construídos utilizando a versão python 3.9, com o pandas 1.3.4 para limpeza de dados, a biblioteca Scikit-Learn 0.24.2 para criação de modelos e otimização de hiperparâmetros e a biblioteca shap 0.41.0 para interpretabilidade.

O treinamento dos modelos de predição foi realizado usando um conjunto de dados de 47.520 pacientes, que foi dividido em conjuntos de treinamento (70%) e teste (30%) com base na distribuição da variável de resultado (fig. 1). Para fins de validação, uma abordagem de validação cruzada foi usada para o conjunto de treinamento. Ao verificar tais conjuntos de dados, uma validação cruzada hierárquica de k-fold foi usada devido à sua eficiência e suavidade. Cada conjunto de dados foi dividido aleatoriamente em k dobras, com k 1 dobras usadas para fins de treinamento e o restante usado como um conjunto de validação. Para avaliar o desempenho dos três modelos de predição foi validado de forma independente e iterativa usando validação cruzada k-fold de k = 5. A melhor precisão de todos os três algoritmos foi alcançada pela validação cruzada de 5 vezes. Nosso principal indicador é comparar a área sob a curva (AUC), a área sob a curva característica de operação do receptor (ROC). Os intervalos de confiança da AUC são estimados usando um indicador estimado de 100 amostras bootstrap. As métricas que usamos para comparação incluem exatidão, precisão, sensibilidade, especificidade e pontuação F1, todas usadas para medir o desempenho de um modelo de classificação. A comparação de várias métricas permite uma avaliação equilibrada dos pontos fortes e fracos do modelo.

O método Permutation Importance é utilizado para analisar a sensibilidade do modelo de variáveis. A Importância de Permutação é adequada para dados tabulares, e a avaliação da importância de um recurso depende do declínio no desempenho do modelo após o rearranjo aleatório do recurso. Também não se limita a categorias específicas de modelos e tem uma ampla gama de aplicações. A importância do recurso de permutação é uma técnica de verificação do modelo que organiza a importância do recurso dos valores estimados do conjunto de dados, em que a importância é definida como o declínio na pontuação do modelo quando um único valor de recurso é embaralhado aleatoriamente. A mudança na capacidade de previsão do modelo é usada para determinar se é necessário excluir as variáveis ​​incluídas. Essa técnica se beneficia da incognoscibilidade do modelo e pode ser calculada várias vezes com diferentes arranjos de recursos.

2.5 Métodos de interpretação Os métodos explicativos neste estudo são baseados no XGBoost, pois o XGBoost produziu os melhores resultados na previsão e demonstrou ter boa compatibilidade com o método SHAP em estudos anteriores. O XGBoost é uma tecnologia de aprendizado de máquina desenvolvida recentemente que tem sido amplamente utilizada em muitos campos. Como um método portátil e flexível é adequado para uma variedade de aplicações. É baseado na Árvore de Decisão Baseada em Causa e no algoritmo Gradient Boosting Machine, principalmente para reduzir o erro do modelo do aluno. Em cada iteração de elevação, os gradientes de primeira e segunda ordem da função objetivo "erro quadrado" foram calculados para cada caso de treinamento. Assim é através de múltiplos aprendizes de base simples, que reduzem constantemente a diferença entre os valores do modelo e os valores reais. Ele ganha a capacidade de aprimorar os métodos de levantamento de árvores para processar com rapidez e precisão quase todos os tipos de dados. Com essas funções exclusivas, o algoritmo pode ser usado com eficiência em modelos de previsão de regressão. O XGBoost também é usado para lidar com grandes conjuntos de dados com um grande número de propriedades e classificações e fornece soluções práticas e proficientes ao considerar as compensações de eficiência e precisão.

Aplicamos a interpretabilidade ao modelo de ML, e os modelos de ML interpretáveis ​​incluem métodos interpretáveis ​​locais, métodos interpretáveis ​​globais e métodos interpretáveis ​​interativos. Métodos locais interpretáveis ​​podem identificar especificamente o impacto de preditores individuais no índice de resultados para uma única amostra, ou seja, explorando os preditores perioperatórios que têm o maior impacto na IHBPV. O resultado final dos métodos Local Interpretable é o tamanho e a proporção das mudanças nos valores SHAP para cada preditor para um paciente específico. Os métodos globais interpretáveis ​​podem identificar especificamente o impacto geral dos preditores nos resultados de todas as amostras, ou seja, explorar os preditores perioperatórios que têm um impacto abrangente na variabilidade da pressão arterial durante a cirurgia para todos os pacientes. Finalmente, os métodos Interpretáveis ​​Interativos exploram os efeitos modificadores entre vários preditores, ou seja, o fenômeno do impacto de um preditor no resultado mudando com o nível de outros preditores em diferentes níveis. Sua existência indica que os efeitos de vários preditores estudados simultaneamente não são independentes. A interpretação da interação neste estudo pode identificar especificamente o impacto conjunto de diferentes preditores na IHBPV.