Эта страница была переведена автоматически, точность перевода не гарантируется. Пожалуйста, обратитесь к английской версии для исходного текста.

Разработка модели прогнозирования интраоперационной вариабельности артериального давления

20 июня 2023 г. обновлено: Zhifeng Gao, Beijing Tsinghua Chang Gung Hospital

Разработка прогностической модели интраоперационной вариабельности артериального давления: ретроспективное когортное исследование

Цель: целью этого исследования было использование машинного обучения для прогнозирования и интерпретации интраоперационной вариабельности высокого кровяного давления (IHBPV).

Дизайн: Ретроспективное когортное исследование. Установка: Пекинская больница Цинхуа Чанг Гун. Ресурсы данных: 47520 операций, проведенных под наркозом в центральной операционной с марта 2016 г. по апрель 2022 г.

Вмешательства: нет. Измерения: мы собрали данные о предоперационной исходной информации и интраоперационных переменных. Модель была построена с помощью Python и запущена с использованием следующих моделей: XGBoost, случайный лес, LGBoost и логистическая регрессия.

Обзор исследования

Статус

Завершенный

Вмешательство/лечение

Подробное описание

  1. Введение Вариабельность артериального давления (ВАД) — это описание степени колебаний артериального давления пациента, например, стандартное отклонение, средняя реальная вариабельность и вариабельность, независимая от среднего значения. Все приведенные выше термины описывают ситуацию с ВАД в различной степени. BPV делится на разные типы, и краткосрочная BPV пациента связана с другими терминами BPV. Помимо числового значения самого артериального давления, высокая вариабельность артериального давления приведет к ряду осложнений, таких как повреждение органа-мишени. 、сердечно-сосудистые события и даже смерть. В соответствующей литературе и руководствах также рекомендуется, чтобы повышение или снижение артериального давления не превышало 20% от базового значения артериального давления, а снижение риска интраоперационной вариабельности высокого артериального давления (ВВВД) стало одной из важных задач анестезиологов. регулярные жизненные показатели, регистрируемые во время операции, включают артериальное давление, частоту сердечных сокращений и частоту дыхания, что может привести к тому, что анестезиологи не заметят BPV; факторы, вызывающие IHBPV, сложны, и собственный сосудистый статус пациента, возбудимость симпатической нервной баланс и хирургическая стимуляция могут вызвать IHBPV и увеличить периоперационный риск, влияя на прогноз пациента. Многомерные, изменяющиеся во времени изменения затрудняют вынесение суждений анестезиологами, и в настоящее время отсутствует эффективное прогнозирование и объяснение IHBPV.

    Машинное обучение (ML) — это междисциплинарная область, изучающая, как компьютеры имитируют поведение человека при обучении и реорганизуют существующие структуры знаний для повышения их производительности и приобретения новых знаний и навыков. Недавние исследования показали, что ML имеет преимущества в прогнозировании и объяснении сложных систем, ML подходит для анализа сложных данных реального мира и обработки данных временных рядов. Цель этого исследования состояла в том, чтобы построить модели машинного обучения для прогнозирования возникновения IHBPV во время общей операции у пациентов, а также уточнить исходную информацию и интраоперационные факторы, которые приводят к IHBPV, чтобы помочь анестезиологам улучшить лечение BPV во время операции. .

  2. Материалы и методы 2.1. Дизайн исследования. В этом ретроспективном исследовании были собраны данные из пекинской больницы Цинхуа Чанг Гун, входящей в состав Университета Цинхуа, с марта 2016 г. по апрель 2022 г. Все пациенты, перенесшие операцию в операционной центра с одобрения комитета по этике, были включены в исследование. изучение. Исследование в основном получило информацию о пациентах из системы HIS и системы Medtronic и было направлено на прогнозирование возможности ВГВП у пациентов на основе исходной информации и интраоперационных факторов с помощью моделей машинного обучения, а также на объяснение увеличения риска ВГВВ среди пациентов с помощью интерпретируемого машинного обучения. модели.

Исходная база данных состояла из 52250 случаев операций под общей анестезией. Размер выборки был основан на масштабе существующей базы данных, из которых 47520 операций соответствовали критериям данного исследования. Критериями включения были пациенты, получившие общую анестезию, внутривенную анестезию или внутривенно-ингаляционную анестезию, и степень ASA1-5. А критериями исключения были операции с отсутствующей ключевой информацией и операции, при которых не проводился мониторинг артериального давления на протяжении всей операции. Для операций с отсутствующей или неоднозначной информацией мы использовали метод удаления, чтобы гарантировать подлинность данных. Важные переменные включали временные записи, жизненные показатели и баланс жидкости. Комитет по этике пекинской больницы Цинхуа Чанг Гунг одобрил исследование и отказался от требования личного информированного согласия, поскольку это ретроспективное исследование, это исследование также было одобрено Китайским центром регистрации клинических испытаний. Это исследование проводилось в соответствии с соответствующей частью «Прозрачная отчетность модели многомерного прогнозирования для индивидуального прогноза или диагноза» (TRIPOD), руководство по отчетности для моделей клинического прогнозирования, которое включает часто используемые справочные элементы для построения моделей клинического прогнозирования.

2.2 Сбор данных В ходе этого исследования в основном была получена исходная информация о пациентах из системы HIS, включая рост, вес, пол, диагноз заболевания и хирургический метод, а также извлечены интраоперационные факторы из системы хирургической анестезии Medtronic в качестве независимых переменных, включая интраоперационное артериальное давление, интраоперационные данные о лекарствах, баланс жидкости и ключевые хирургические операции, записанные во время операции. Мы выбрали некоторые часто используемые лекарства, и критерием для часто используемых лекарств было то, что частота использования препарата в различных операциях превышала одну десятую. Наиболее часто используемыми препаратами являются севофлуран, пропофол, дексмедетомидин, мидазолам, ремифентанил, суфентанил, метоксамин и рокуроний; Для предоперационных диагнозов, учитывая их влияние на вариабельность артериального давления, мы отдавали приоритет извлечению бинарных переменных, связанных с артериальным давлением, таких как сердечная дисфункция и почечная дисфункция.

2.3 Диагностические критерии для IHBPV Первичной конечной точкой этого исследования является вариабельность артериального давления (BPV), которая была изучена в нескольких предыдущих статьях, BPV имеет различные определения и методы расчета, каждый из которых имеет свои преимущества. Коэффициент вариации (CV) интраоперационного среднего артериального давления (MAP) использовался в качестве количественной меры BPV. Он учитывает колебания артериального давления пациента, а также учитывает их исходный уровень артериального давления. В этом исследовании мы рассчитали коэффициент вариации (CV) интраоперационного MAP как количественный показатель вариабельности артериального давления (BPV), CV MAP рассчитывается путем деления стандартного отклонения MAP на среднее значение MAP. Согласно предыдущей литературе и руководящим рекомендациям, повышение и снижение артериального давления пациента во время операции не должно превышать 20% от исходного значения артериального давления. Таким образом, мы определяем случаи IHBPV как ситуации, когда CV MAP превышает 20% во время операции, независимо от того, связано ли увеличение вариабельности артериального давления со снижением или повышением артериального давления.

Артериальное давление, регистрируемое каждые пять минут с начала анестезии, используется для расчета BPV, а основным источником информации об артериальном давлении является инвазивная артериальная линия, а если эта информация недоступна, используются неинвазивные измерения манжеты. Из-за различных ситуаций мониторинга во время операции инвазивное артериальное давление может регистрироваться несколько раз в минуту, в то время как неинвазивные измерения манжеты записываются не реже чем каждые пять минут. Все зарегистрированные значения артериального давления используются для оценки того, соответствует ли пациент IHBPV.

2.3 Прогнозирование моделей Прогнозирование — это технология контролируемого машинного обучения (МО), которая очень эффективна для прогнозирования анализа данных. Он основан на обучающих данных для сопоставления новых входных записей с конкретными зависимыми выходными переменными на основе соответствующих значений независимых переменных. Из-за его способности обрабатывать сложные коррелированные переменные и его эффективности при обработке взаимно коррелированных переменных крайне важно использовать новые алгоритмы прогнозирования для достижения оптимальной точности.

В этом исследовании мы разработали четыре модели прогнозирования машинного обучения (ML), экстремальное усиление градиента (XGBoost), усиление светового градиента (LGBoost), случайный лес (RF) и логистическую регрессию (LR) для прогнозирования вероятности интраоперационной гипертензии. вариабельность (IHBPV) с использованием исходной информации и интраоперационных факторов. Модели были построены с использованием версии python 3.9 с пандами 1.3.4. библиотека для очистки данных, библиотека Scikit-Learn 0.24.2 для создания моделей и оптимизации гиперпараметров, а также библиотека shap 0.41.0 для интерпретируемости.

Обучение прогностических моделей проводилось с использованием набора данных о 47520 пациентах, который был разделен на обучающий (70%) и тестовый (30%) наборы на основе распределения переменной результата (рис. 1). В целях проверки для обучающего набора был использован метод перекрестной проверки. При проверке таких наборов данных использовалась иерархическая k-кратная перекрестная проверка из-за ее эффективности и плавности. Каждый набор данных был случайным образом разделен на k сгибов, причем k 1 сгибов использовался для обучения, а остальные использовались в качестве проверочного набора. Для оценки производительности трех моделей прогнозирования была проведена независимая и итеративная проверка с использованием k-кратной перекрестной проверки от k = 5. Наилучшая точность всех трех алгоритмов была достигнута при 5-кратной перекрестной проверке. Нашим основным индикатором является сравнение площади под кривой (AUC), площади под кривой рабочей характеристики приемника (ROC). Доверительные интервалы AUC оцениваются с использованием оценочного показателя 100 бутстрапированных выборок. Метрики, которые мы использовали для сравнения, включают точность, прецизионность, чувствительность, специфичность и показатель F1, которые используются для измерения производительности модели классификации. Сравнение нескольких метрик позволяет сбалансированно оценить сильные и слабые стороны модели.

Метод Permutation Importance используется для анализа чувствительности модели переменных. Permutation Importance подходит для табличных данных, а оценка важности признака зависит от снижения производительности модели после случайного перестановки признака. Он также не ограничивается конкретными категориями моделей и имеет широкий спектр применения. Важность признаков перестановки — это метод проверки модели, который упорядочивает важность признаков оценочных значений данного набора данных, где важность определяется как снижение оценки модели при случайном перемешивании одного значения признака. Изменение способности прогнозирования модели используется для определения необходимости удаления включенных переменных. Этот метод выигрывает от непознаваемости модели и может быть рассчитан несколько раз с различным расположением признаков.

2.5 Методы интерпретации Объяснительные методы в этом исследовании основаны на XGBoost, так как XGBoost дал наилучшие результаты в прогнозировании и показал хорошую совместимость с методом SHAP в предыдущих исследованиях. XGBoost — это недавно разработанная технология машинного обучения, которая широко используется во многих областях. Как портативный и гибкий метод подходит для различных приложений. Он основан на алгоритме дерева решений, основанного на причинах, и алгоритме повышения градиента, в основном для уменьшения ошибки модели учащегося. В каждой итерации подъема для каждого случая обучения рассчитывались градиенты первого и второго порядка целевой функции «квадрат ошибки». Таким образом, благодаря нескольким простым базовым обучающим программам, которые постоянно уменьшают разницу между значениями модели и фактическими значениями. Он получает возможность улучшить методы поднятия дерева для быстрой и точной обработки практически всех типов данных. Благодаря этим уникальным функциям алгоритм можно эффективно использовать в моделях прогнозирования регрессии. XGBoost также используется для обработки больших наборов данных с большим количеством свойств и классификаций и предоставляет практичные и профессиональные решения при рассмотрении компромиссов между эффективностью и точностью.

Мы применили интерпретируемость к модели ML, а интерпретируемые модели ML включают локальные интерпретируемые методы, глобальные интерпретируемые методы и интерактивные интерпретируемые методы. Локальные интерпретируемые методы могут конкретно идентифицировать влияние отдельных предикторов на индекс исхода для одной выборки, т. е. исследовать периоперационные предикторы, оказывающие наибольшее влияние на IHBPV. Конечным результатом методов Local Interpretable является размер и пропорция изменений значений SHAP для каждого предиктора для конкретного пациента. Глобальные интерпретируемые методы могут конкретно определить общее влияние предикторов на исходы для всех выборок, т. е. изучить периоперационные предикторы, которые оказывают всестороннее влияние на вариабельность артериального давления во время операции для всех пациентов. Наконец, интерактивные интерпретируемые методы исследуют модифицирующие эффекты среди нескольких предикторов, то есть явление влияния предиктора на результат, изменяющийся в зависимости от уровня других предикторов на разных уровнях. Его наличие указывает на то, что эффекты нескольких изучаемых одновременно предикторов не являются независимыми. Интерпретация взаимодействия в этом исследовании может конкретно определить совместное влияние различных предикторов на IHBPV.

Тип исследования

Наблюдательный

Регистрация (Действительный)

47520

Контакты и местонахождение

В этом разделе приведены контактные данные лиц, проводящих исследование, и информация о том, где проводится это исследование.

Места учебы

    • Beijing
      • Beijing, Beijing, Китай, 102218
        • Zhifeng Gao

Критерии участия

Исследователи ищут людей, которые соответствуют определенному описанию, называемому критериям приемлемости. Некоторыми примерами этих критериев являются общее состояние здоровья человека или предшествующее лечение.

Критерии приемлемости

Возраст, подходящий для обучения

  • Ребенок
  • Взрослый
  • Пожилой взрослый

Принимает здоровых добровольцев

Нет

Метод выборки

Вероятностная выборка

Исследуемая популяция

Исходная база данных состояла из 52 250 случаев операций под общей анестезией. Размер выборки был основан на масштабе существующей базы данных, из которых 47520 операций соответствовали критериям данного исследования.

Описание

Критерии включения:

  • пациенты, получившие общую анестезию, внутривенную анестезию или внутривенно-ингаляционную анестезию, и степень ASA1-5.

Критерий исключения:

  • операции с отсутствующей ключевой информацией и операции, при которых артериальное давление не отслеживалось на протяжении всей операции

Учебный план

В этом разделе представлена ​​подробная информация о плане исследования, в том числе о том, как планируется исследование и что оно измеряет.

Как устроено исследование?

Детали дизайна

  • Наблюдательные модели: Кейс-кроссовер
  • Временные перспективы: Ретроспектива

Когорты и вмешательства

Группа / когорта
Вмешательство/лечение
команда по изучению вариабельности высокого артериального давления
Группа с повышенным колебанием АД во время операции – группа высокой вариабельности АД.
Без вмешательства

Что измеряет исследование?

Первичные показатели результатов

Мера результата
Мера Описание
Временное ограничение
Интраоперационная вариабельность высокого артериального давления
Временное ограничение: Периоперационный период
мы определяем случаи IHBPV как ситуации, когда CV MAP превышает 20% во время операции, независимо от того, связано ли увеличение вариабельности артериального давления со снижением или повышением артериального давления.
Периоперационный период

Соавторы и исследователи

Здесь вы найдете людей и организации, участвующие в этом исследовании.

Даты записи исследования

Эти даты отслеживают ход отправки отчетов об исследованиях и сводных результатов на сайт ClinicalTrials.gov. Записи исследований и сообщаемые результаты проверяются Национальной медицинской библиотекой (NLM), чтобы убедиться, что они соответствуют определенным стандартам контроля качества, прежде чем публиковать их на общедоступном веб-сайте.

Изучение основных дат

Начало исследования (Действительный)

2 января 2023 г.

Первичное завершение (Действительный)

1 апреля 2023 г.

Завершение исследования (Действительный)

1 апреля 2023 г.

Даты регистрации исследования

Первый отправленный

16 января 2023 г.

Впервые представлено, что соответствует критериям контроля качества

16 января 2023 г.

Первый опубликованный (Действительный)

26 января 2023 г.

Обновления учебных записей

Последнее опубликованное обновление (Действительный)

22 июня 2023 г.

Последнее отправленное обновление, отвечающее критериям контроля качества

20 июня 2023 г.

Последняя проверка

1 июня 2023 г.

Дополнительная информация

Термины, связанные с этим исследованием

Другие идентификационные номера исследования

  • 22232-4-02

Планирование данных отдельных участников (IPD)

Планируете делиться данными об отдельных участниках (IPD)?

НЕТ

Информация о лекарствах и устройствах, исследовательские документы

Изучает лекарственный продукт, регулируемый FDA США.

Нет

Изучает продукт устройства, регулируемый Управлением по санитарному надзору за качеством пищевых продуктов и медикаментов США.

Нет

Эта информация была получена непосредственно с веб-сайта clinicaltrials.gov без каких-либо изменений. Если у вас есть запросы на изменение, удаление или обновление сведений об исследовании, обращайтесь по адресу register@clinicaltrials.gov. Как только изменение будет реализовано на clinicaltrials.gov, оно будет автоматически обновлено и на нашем веб-сайте. .

Подписаться