- ICH GCP
- Amerikanska kliniska prövningsregistret
- Klinisk prövning NCT05698433
Utveckling av en prediktionsmodell för intraoperativ blodtrycksvariation
Utveckling av en prediktiv modell för intraoperativ blodtrycksvariation: en retrospektiv kohortstudie
Syfte: Syftet med denna studie var att använda maskininlärning för att förutsäga och tolka intraoperativ högt blodtrycksvariation (IHBPV).
Design: Retrospektiv kohortstudie. Miljö: Beijing Tsinghua Chang Gung Hospital. Dataresurser: 47520 operationer utförda under narkos i den centrala operationssalen från mars 2016 till april 2022.
Interventioner: Inga. Mätningar: Vi samlade in data om preoperativ baslinjeinformation och intraoperativa variabler. Modellen konstruerades med python och kördes med följande modeller: XGBoost, random forest, LGBoost och logistisk regression.
Studieöversikt
Detaljerad beskrivning
Inledning Blodtrycksvariabilitet (BPV) är en beskrivning av graden av fluktuation av en patients blodtryck, såsom standardavvikelse、genomsnittlig reell variabilitet och variabilitet oberoende av medelvärdet, Ovanstående termer beskriver alla situationen för BPV i varierande grad. BPV är indelat i olika typer, och patientens kortsiktiga BPV är relaterad till andra termer BPV。Förutom själva blodtryckets numeriska värde kommer hög blodtrycksvariation att medföra en rad komplikationer, såsom målorganskada 、kardiovaskulära händelser och till och med dödsfall. Relevant litteratur och riktlinjer rekommenderar också att ökningen eller minskningen av blodtrycket inte bör överstiga 20 % av det grundläggande blodtrycksvärdet, och att minska risken för intraoperativ högt blodtrycksvariabilitet (IHBPV) har blivit en av anestesiologernas viktiga uppgifter. regelbundna vitala tecken som registreras under operationen inkluderar blodtryck, hjärtfrekvens och andningsfrekvens, vilket kan göra att BPV förbises av anestesiologer. Faktorerna som orsakar IHBPV är komplexa och patientens egen vaskulära status, sympatisk nervös excitabilitet, droganvändning, vätska balans och kirurgisk stimulering kan orsaka IHBPV och öka dess perioperativa risk, vilket påverkar patientens prognos. Flerdimensionella, tidsvarierande förändringar gör det svårt för narkosläkare att göra bedömningar, och det finns för närvarande en brist på effektiv förutsägelse och förklaring av IHBPV.
Maskininlärning (ML) är ett tvärvetenskapligt område som studerar hur datorer simulerar mänskligt inlärningsbeteende och omorganiserar befintliga kunskapsstrukturer för att förbättra deras prestanda och förvärva nya kunskaper och färdigheter. Ny forskning har funnit att ML har fördelar i att förutsäga och förklara komplexa system, ML är lämpligt för att analysera komplexa verkliga data och bearbeta tidsseriedata. Syftet med denna studie var att konstruera maskininlärningsmodeller för att förutsäga förekomsten av IHBPV under övergripande operation hos patienter, och att klargöra baslinjeinformationen och intraoperativa faktorer som leder till IHBPV, för att hjälpa anestesiologer att förbättra hanteringen av BPV under operationen .
- Material och metoder 2.1 Studiedesign Denna retrospektiva studie samlade in data från Beijing Tsinghua Chang Gung-sjukhuset som är anslutet till Tsinghua University från mars 2016 till april 2022, alla patienter som opererades i centrets operationssal med godkännande av etikkommittén inkluderades i studie. Studien hämtade huvudsakligen patientinformation från HIS-systemet och Medtronic-systemet och syftade till att förutsäga möjligheten av IHBPV hos patienter baserat på baslinjeinformation och intraoperativa faktorer genom ML-modeller och att förklara ökningen av risken för IHBPV bland patienter genom tolkbar ML modeller.
Den ursprungliga databasen bestod av 52250 fall av generell anestesikirurgi. Urvalsstorleken baserades på omfattningen av den befintliga databasen, varav 47520 operationer uppfyllde kriterierna för denna studie. Inklusionskriterierna var patienter som fick generell anestesi, intravenös anestesi eller intravenös inhalationsanestesi och ASA1-5 grad. Och uteslutningskriterierna var operationer med saknad nyckelinformation och operationer som inte övervakades för blodtryck under hela operationen. För operationer med saknad eller tvetydig information använde vi en raderingsmetod för att säkerställa att uppgifterna är äkta. Viktiga variabler inkluderade tidsrekord, vitala tecken och vätskebalans. Etikkommittén vid Beijing Tsinghua Chang Gung Hospital har godkänt studien och avstått från kravet på personligt informerat samtycke, eftersom det är en retrospektiv studie har denna forskning också godkänts av China Clinical Trial Registration Center. Denna studie följde den relevanta delen av "Transparent Reportingof a Multivariable Prediction Model for Individual Prognosis or Diagnosis" (TRIPOD) rapporteringsriktlinjer för kliniska prediktionsmodeller, som inkluderar vanligt använda referensobjekt för att bygga kliniska prediktionsmodeller.
2.2 Datainsamling Denna studie erhöll huvudsakligen baslinjeinformation för patienter från HIS-systemet, inklusive längd, vikt, kön, sjukdomsdiagnos och kirurgisk metod, och extraherade intraoperativa faktorer från Medtronics kirurgiska anestesisystem som oberoende variabler, inklusive intraoperativt blodtryck, intraoperativa läkemedelsdata, vätskebalans och viktiga kirurgiska operationer registrerade under operationen. Vi valde ut några vanligt använda läkemedel och kriterierna för vanliga läkemedel var att användningsfrekvensen av läkemedlet vid olika operationer översteg en tiondel. De vanligaste läkemedlen är sevofluran, propofol, dexmedetomidin, midazolam, remifentanil, sufentanil, metoxamin och rokuronium; För preoperativa diagnoser, med tanke på deras inverkan på blodtrycksvariation, prioriterade vi extraktion av binära variabler relaterade till blodtryck, såsom hjärtdysfunktion och njurdysfunktion.
2.3 Diagnostiska kriterier för IHBPV Det primära effektmåttet för denna studie är blodtrycksvariabilitet (BPV) som har studerats i flera tidigare artiklar, BPV har olika definitioner och beräkningsmetoder, var och en med sina egna fördelar. Variationskoefficienten (CV) för det intraoperativa medelartärtrycket (MAP) användes som ett kvantitativt mått på BPV. Den tar hänsyn till patientens blodtrycksfluktuationer samtidigt som den tar hänsyn till deras baslinjeblodtrycksnivå. I denna studie har vi beräknat variationskoefficienten (CV) för den intraoperativa MAP som en kvantitativ indikator på blodtrycksvariabilitet (BPV), CV för MAP beräknas genom att dividera standardavvikelsen för MAP med medelvärdet av MAP。 Enligt tidigare litteratur och riktlinjerekommendationer, bör ökningen och minskningen av patientens blodtryck under operation inte överstiga 20 % av utgångsvärdet för blodtrycket. Därför definierar vi fall av IHBPV som situationer där CV för MAP överstiger 20 % under operationen, oavsett om ökningen av blodtrycksvariabiliteten beror på en minskning eller en ökning av blodtrycket.
Blodtrycket som registreras var femte minut från början av anestesin används för att beräkna BPV, och den primära källan till blodtrycksinformation är den invasiva artärlinjen, och om den informationen inte är tillgänglig används icke-invasiva manschettmätningar. På grund av de olika övervakningssituationerna under operationen kan invasivt artärtryck registreras flera gånger per minut, medan icke-invasiva manschettmätningar registreras minst var femte minut. Alla registrerade blodtrycksvärden används för att bedöma om patienten uppfyller IHBPV.
2.3 Predicting Models Prediction är en övervakad maskininlärningsteknik (ML) som är mycket effektiv för att förutsäga dataanalys. Den är baserad på träningsdata för att mappa nya indataposter till specifika beroende utvariabler baserat på relevanta oberoende variabelvärden. På grund av dess förmåga att hantera komplexa korrelerade variabler och dess effektivitet i att hantera ömsesidigt korrelerade variabler, är det avgörande att använda nya prediktionsalgoritmer för att uppnå optimal noggrannhet.
I den här studien utvecklade vi fyra prediktionsmodeller för maskininlärning (ML), extrem gradientförstärkning (XGBoost) 、Light Gradient Boosting (LGBoost), slumpmässig skog (RF) och logistisk regression (LR) för att förutsäga sannolikheten för intraoperativt hypertensivt blodtryck variabilitet (IHBPV) med hjälp av baslinjeinformation och intraoperativa faktorer. Modellerna byggdes med python 3.9-versionen, med pandorna 1.3.4 bibliotek för datarensning, Scikit-Learn 0.24.2-biblioteket för modellskapande och hyperparameteroptimering och shap 0.41.0-biblioteket för tolkningsbarhet.
Träningen av förutsägelsemodellerna utfördes med hjälp av en datauppsättning av 47520 patienter, som delades upp i träning (70%) och testning (30%) uppsättningar baserat på fördelningen av utfallsvariabeln (Fig. 1). I valideringssyfte användes en korsvalideringsmetod för utbildningsuppsättningen. Vid verifiering av sådana datamängder användes en hierarkisk k-faldig korsvalidering på grund av dess effektivitet och smidighet. Varje datauppsättning delades slumpmässigt in i k-veck, med k 1-veck som användes för träningsändamål och resten användes som en valideringsuppsättning. För att utvärdera prestandan för de tre förutsägelsemodellerna validerades oberoende och iterativt med hjälp av k-faldig korsvalidering från k = 5. Den bästa noggrannheten av alla tre algoritmerna uppnåddes genom 5-faldig korsvalidering. Vår huvudindikator är att jämföra arean under kurvan (AUC), arean under mottagarens funktionskarakteristik (ROC) kurvan. Konfidensintervall för AUC uppskattas med hjälp av en uppskattad indikator på 100 bootstrapped prover. De mätvärden vi använde för jämförelse inkluderar noggrannhet, precision, känslighet, specificitet och F1-poäng, som alla används för att mäta prestandan hos en klassificeringsmodell. Jämförelsen av flera mätvärden möjliggör en balanserad bedömning av modellens styrkor och svagheter.
Metoden Permutation Importance används för att analysera variabelmodellens känslighet. Permutation Importance är lämplig för tabelldata, och utvärderingen av betydelsen av en funktion beror på nedgången i modellens prestanda efter att funktionen har slumpmässigt arrangerats om. Den är inte heller begränsad till specifika modellkategorier och har ett brett användningsområde. Permutationsfunktionsviktighet är en modellverifieringsteknik som ordnar särdragsvikten för de uppskattade värdena för den givna datamängden, där betydelsen definieras som minskningen av modellpoängen när ett enstaka särdragsvärde blandas slumpmässigt. Förändringen i modellens prediktionsförmåga används för att avgöra om det är nödvändigt att radera de inkluderade variablerna. Denna teknik drar nytta av modellen okänt och kan beräknas flera gånger med olika funktionsarrangemang.
2.5 Tolkningsmetoder Förklarande metoder i denna studie är baserade på XGBoost, eftersom XGBoost gav de bästa resultaten i prediktion och har visat sig ha god kompatibilitet med SHAP-metoden i tidigare studier. XGBoost är en nyligen utvecklad maskininlärningsteknik som har använts flitigt inom många områden. Som en bärbar och flexibel metod är lämplig för en mängd olika applikationer. Den är baserad på orsaksbaserat beslutsträd och Gradient Boosting Machine-algoritm, främst för att minska felet i elevmodellen. I varje lyftiteration beräknades första och andra ordningens gradienter av objektivfunktionen "kvadratfel" för varje träningsfall. Så det är genom flera enkla basinlärare som hela tiden minskar skillnaden mellan modellvärden och faktiska värden. Den får förmågan att förbättra trädlyftningsmetoderna för att snabbt och exakt bearbeta nästan alla datatyper. Med dessa unika funktioner kan algoritmen effektivt användas i regressionsprediktionsmodeller. XGBoost Används även för att hantera stora datamängder med ett stort antal egenskaper och klassificeringar och tillhandahåller praktiska och skickliga lösningar när man överväger avvägningar mellan effektivitet och noggrannhet.
Vi tillämpade tolkningsbarhet på ML-modellen, och tolkningsbara ML-modeller inkluderar lokala tolkbara metoder, globala tolkbara metoder och interaktiva tolkbara metoder. Lokala tolkbara metoder kan specifikt identifiera inverkan av individuella prediktorer på utfallsindex för ett enstaka prov, det vill säga utforska de perioperativa prediktorer som har störst inverkan på IHBPV. Det slutliga resultatet av lokala tolkbara metoder är storleken och andelen förändringar i SHAP-värden för varje prediktor för en specifik patient. Globala tolkbara metoder kan specifikt identifiera den övergripande inverkan av prediktorer på utfall för alla prover, d.v.s. utforska perioperativa prediktorer som har en omfattande inverkan på blodtrycksvariation under operation för alla patienter. Slutligen utforskar interaktiva tolkbara metoder de modifierande effekterna bland flera prediktorer, det vill säga fenomenet att en prediktors inverkan på resultatet förändras med nivån av andra prediktorer på olika nivåer. Dess existens indikerar att effekterna av flera prediktorer som studeras samtidigt inte är oberoende. Tolkningen av interaktion i denna studie kan specifikt identifiera den gemensamma inverkan av olika prediktorer på IHBPV.
Studietyp
Inskrivning (Faktisk)
Kontakter och platser
Studieorter
-
-
Beijing
-
Beijing, Beijing, Kina, 102218
- Zhifeng Gao
-
-
Deltagandekriterier
Urvalskriterier
Åldrar som är berättigade till studier
- Barn
- Vuxen
- Äldre vuxen
Tar emot friska volontärer
Testmetod
Studera befolkning
Beskrivning
Inklusionskriterier:
- patienter som fick generell anestesi, intravenös anestesi eller intravenös inhalationsanestesi och ASA1-5 grad.
Exklusions kriterier:
- operationer med saknad nyckelinformation och operationer som inte övervakades för blodtryck under hela operationen
Studieplan
Hur är studien utformad?
Designdetaljer
- Observationsmodeller: Case-Crossover
- Tidsperspektiv: Retrospektiv
Kohorter och interventioner
Grupp / Kohort |
Intervention / Behandling |
|---|---|
|
högt blodtrycksvariationsteam
Gruppen med alltför stora blodtrycksfluktuationer under operationen är team med hög blodtrycksvariation
|
Inget ingripande
|
Vad mäter studien?
Primära resultatmått
Resultatmått |
Åtgärdsbeskrivning |
Tidsram |
|---|---|---|
|
Intraoperativ högt blodtrycksvariation
Tidsram: Perioperativ period
|
vi definierar fall av IHBPV som situationer där CV för MAP överstiger 20 % under operationen, oavsett om ökningen av blodtrycksvariabiliteten beror på en minskning eller en ökning av blodtrycket.
|
Perioperativ period
|
Samarbetspartners och utredare
Studieavstämningsdatum
Studera stora datum
Studiestart (Faktisk)
Primärt slutförande (Faktisk)
Avslutad studie (Faktisk)
Studieregistreringsdatum
Först inskickad
Först inskickad som uppfyllde QC-kriterierna
Första postat (Faktisk)
Uppdateringar av studier
Senaste uppdatering publicerad (Faktisk)
Senaste inskickade uppdateringen som uppfyllde QC-kriterierna
Senast verifierad
Mer information
Termer relaterade till denna studie
Nyckelord
Andra studie-ID-nummer
- 22232-4-02
Plan för individuella deltagardata (IPD)
Planerar du att dela individuella deltagardata (IPD)?
Läkemedels- och apparatinformation, studiedokument
Studerar en amerikansk FDA-reglerad läkemedelsprodukt
Studerar en amerikansk FDA-reglerad produktprodukt
Denna information hämtades direkt från webbplatsen clinicaltrials.gov utan några ändringar. Om du har några önskemål om att ändra, ta bort eller uppdatera dina studieuppgifter, vänligen kontakta register@clinicaltrials.gov. Så snart en ändring har implementerats på clinicaltrials.gov, kommer denna att uppdateras automatiskt även på vår webbplats .