此页面是自动翻译的,不保证翻译的准确性。请参阅 英文版 对于源文本。

术中血压变异性预测模型的开发

2023年6月20日 更新者:Zhifeng Gao、Beijing Tsinghua Chang Gung Hospital

术中血压变异性预测模型的开发:一项回顾性队列研究

目的:本研究的目的是使用机器学习来预测和解释术中高血压变异性(IHBPV)。

设计:回顾性队列研究。 地点:北京清华长庚医院。 数据来源:2016年3月至2022年4月中心手术室全麻手术47520例。

干预措施:无。 测量:我们收集了术前基线信息和术中变量的数据。 该模型是用 python 构建的,并使用以下模型运行:XGBoost、随机森林、LGBoost 和逻辑回归。

研究概览

地位

完全的

干预/治疗

详细说明

  1. 前言 血压变异性(BPV)是对患者血压波动程度的描述,如标准差、平均真实变异性、与均值无关的变异性等,以上术语均在不同程度上描述了BPV的情况。 BPV分为不同的类型,患者的短期BPV与其他术语BPV有关。除了血压本身的数值外,高血压的变异性会带来一系列的并发症,如靶器官损害、心血管事件,甚至死亡。 相关文献和指南也建议血压升高或降低不应超过基础血压值的20%,降低术中高血压变异性(IHBPV)风险已成为麻醉医师的重要任务之一。手术过程中记录的常规生命体征包括血压、心率、呼吸频率,这可能导致 BPV 被麻醉师忽视;导致 IHBPV 的因素复杂,与患者自身的血管状况、交感神经兴奋性、药物使用、液体平衡和手术刺激可引起IHBPV并增加其围手术期风险,影响患者的预后。 多维、时变的变化使麻醉医师难以做出判断,目前对IHBPV缺乏有效的预测和解释。

    机器学习(ML)是一个跨学科领域,研究计算机如何模拟人类的学习行为,重组已有的知识结构,以提高其性能并获取新的知识和技能。 最近的研究发现,ML 在预测和解释复杂系统方面具有优势,ML 适用于分析复杂的现实世界数据和处理时间序列数据。 本研究的目的是构建机器学习模型来预测患者整体手术过程中IHBPV的发生,并阐明导致IHBPV的基线信息和术中因素,以协助麻醉医师改进手术过程中BPV的管理。 .

  2. 材料与方法 2.1 研究设计 本回顾性研究收集了清华大学附属北京清华长庚医院2016年3月至2022年4月的资料,所有经伦理委员会批准在中心手术室接受手术的患者均纳入研究。学习。 该研究主要从HIS系统和美敦力系统获取患者信息,旨在通过ML模型根据基线信息和术中因素预测患者IHBPV的可能性,并通过可解释的ML解释患者IHBPV风险增加楷模。

原始数据库包含 52250 例全身麻醉手术。 样本量基于现有数据库的规模,其中47520例手术符合本研究的标准。 纳入标准为接受全身麻醉、静脉麻醉或静脉吸入麻醉且ASA1-5级的患者。 排除标准是缺少关键信息的手术和在整个手术过程中没有监测血压的手术。 对于信息缺失或模糊的手术,我们使用删除的方法来确保数据的真实性。 重要变量包括时间记录、生命体征和体液平衡。 北京清华长庚医院伦理委员会已批准该研究并免除个人知情同意的要求,由于是回顾性研究,本研究也已获得中国临床试验注册中心的批准。本研究遵循了相关部分《Transparent Reportingof a Multivariable Prediction Model for Individual Prognosis or Diagnosis》(TRIPOD)临床预测模型报告指南,其中包括建立临床预测模型常用的参考项目。

2.2 数据收集本研究主要从HIS系统中获取患者的基线信息,包括身高、体重、性别、疾病诊断、手术方式等,并从美敦力手术麻醉系统中提取术中因素作为自变量,包括术中血压、术中药物数据、体液平衡和手术过程中记录的关键手术操作。 我们选取了一些常用药物,常用药物的标准是该药物在各种手术中的使用频率超过十分之一。 常用药物有七氟醚、丙泊酚、右美托咪定、咪达唑仑、瑞芬太尼、舒芬太尼、甲氧明、罗库溴铵;对于术前诊断,考虑到它们对血压变异性的影响,我们优先提取与血压相关的二元变量,如心功能不全、肾功能不全。

2.3 IHBPV的诊断标准 本研究的主要终点是血压变异性(BPV),这在之前的几篇论文中都有研究,BPV有不同的定义和计算方法,各有千秋。 术中平均动脉压(MAP)的变异系数(CV)被用作BPV的定量测量,它考虑了患者的血压波动,同时也考虑了他们的基线血压水平。 在本研究中,我们计算了术中MAP的变异系数(CV)作为血压变异性(BPV)的定量指标,MAP的CV是通过MAP的标准差除以MAP的平均值来计算的。既往文献和指南建议,手术过程中患者血压的升高和降低不应超过基线血压值的20%。 因此,我们将 IHBPV 病例定义为手术期间 MAP 的 CV 超过 20% 的情况,无论血压变异性的增加是由于血压降低还是升高。

从麻醉开始每五分钟记录一次的血压用于计算 BPV,血压信息的主要来源是有创动脉线,如果该信息不可用,则使用无创袖带测量。 由于手术过程中监测情况不同,有创动脉压每分钟可以记录多次,而无创袖带测量至少每五分钟记录一次。 所有记录的血压值都用于判断患者是否符合 IHBPV。

2.3 预测模型预测是一种监督机器学习(ML)技术,在预测数据分析中非常有效。 它基于训练数据,根据相关的自变量值将新的输入记录映射到特定的因变量输出。 由于其处理复杂相关变量的能力及其在处理相互相关变量方面的有效性,因此使用新颖的预测算法来实现最佳准确性至关重要。

在这项研究中,我们开发了四种机器学习 (ML) 预测模型,极端梯度提升 (XGBoost) 、轻梯度提升(LGBoost)、随机森林 (RF) 和逻辑回归(LR)来预测术中高血压的可能性使用基线信息和术中因素的可变性 (IHBPV)。 这些模型是使用 python 3.9 版本和 pandas 1.3.4 构建的 用于数据清理的库,用于模型创建和超参数优化的 Scikit-Learn 0.24.2 库,以及用于解释性的 shap 0.41.0 库。

预测模型的训练是使用 47520 名患者的数据集进行的,该数据集根据结果变量的分布分为训练集 (70%) 和测试集 (30%)(图 1)。 出于验证目的,对训练集使用了交叉验证方法。 在验证此类数据集时,由于其效率和平滑性,使用了分层 k 折交叉验证。 每个数据集被随机分成 k 份,其中 k 1 份用于训练目的,其余用作验证集。 为了评估三个预测模型的性能,使用 k = 5 的 k 折交叉验证独立地迭代验证。 所有三种算法的最佳准确性是通过 5 折交叉验证实现的。 我们的主要指标是比较曲线下面积(AUC),受试者工作特征(ROC)曲线下面积。 AUC 的置信区间是使用 100 个自举样本的估计指标来估计的。 我们用于比较的指标包括准确度、精确度、灵敏度、特异性和 F1 分数,这些都用于衡量分类模型的性能。 多个指标的比较允许对模型的优点和缺点进行平衡评估。

Permutation Importance 方法用于分析变量模型的敏感性。 Permutation Importance适用于表格数据,评价一个特征的重要性取决于特征随机重排后模型性能的下降。 也不局限于特定的车型类别,应用范围非常广泛。 排列特征重要性是一种模型验证技术,它排列给定数据集的估计值的特征重要性,其中重要性被定义为当随机打乱单个特征值时模型分数的下降。 模型预测能力的变化用于判断是否需要删除包含的变量。 该技术受益于模型的不可知性,并且可以使用不同的特征排列进行多次计算。

2.5 解释方法 本研究中的解释方法基于 XGBoost,因为 XGBoost 在预测中取得了最好的结果,并且已被证明与先前研究中的 SHAP 方法具有良好的兼容性。 XGBoost 是最近发展起来的机器学习技术,在很多领域都有广泛的应用。 作为一种便携灵活的方法适用于多种应用。 它基于Cause Based Decision Tree和Gradient Boosting Machine算法,主要是为了减少学习器模型的误差。 在每次提升迭代中,为每个训练案例计算目标函数“平方误差”的一阶和二阶梯度。 因此,正是通过多个简单的基础学习器,不断减少模型值与实际值之间的差异。 它获得了增强树提升方法的能力,可以快速准确地处理几乎所有数据类型。 凭借这些独特的功能,该算法可以有效地用于回归预测模型。 XGBoost 还用于处理具有大量属性和分类的大型数据集,并在考虑效率和准确性权衡时提供实用且熟练的解决方案。

我们将可解释性应用于 ML 模型,可解释的 ML 模型包括 Local Interpretable 方法、Global Interpretable 方法和 Interactive Interpretable 方法。 Local Interpretable 方法可以具体识别单个预测因子对单个样本结果指数的影响,即探索对 IHBPV 影响最大的围手术期预测因子。 Local Interpretable 方法的最终输出是特定患者的每个预测因子的 SHAP 值变化的大小和比例。 全局可解释方法可以具体识别预测因子对所有样本结果的总体影响,即探索对所有患者手术期间血压变异性具有综合影响的围手术期预测因子。 最后,Interactive Interpretable 方法探索了多个预测变量之间的修正效应,即一个预测变量对结果的影响随着不同级别的其他预测变量的水平而变化的现象。 它的存在表明同时研究的几个预测因素的影响不是独立的。 本研究中相互作用的解释可以具体识别不同预测因子对 IHBPV 的联合影响。

研究类型

观察性的

注册 (实际的)

47520

联系人和位置

本节提供了进行研究的人员的详细联系信息,以及有关进行该研究的地点的信息。

学习地点

    • Beijing
      • Beijing、Beijing、中国、102218
        • Zhifeng Gao

参与标准

研究人员寻找符合特定描述的人,称为资格标准。这些标准的一些例子是一个人的一般健康状况或先前的治疗。

资格标准

适合学习的年龄

  • 孩子
  • 成人
  • 年长者

接受健康志愿者

不

取样方法

概率样本

研究人群

原始数据库包含 52250 例全身麻醉手术。 样本量基于现有数据库的规模,其中47520例手术符合本研究的标准。

描述

纳入标准:

  • 接受全身麻醉、静脉麻醉或静脉-吸入麻醉且ASA1-5级的患者。

排除标准:

  • 缺少关键信息的手术和在整个手术过程中没有监测血压的手术

学习计划

本节提供研究计划的详细信息,包括研究的设计方式和研究的衡量标准。

研究是如何设计的?

设计细节

  • 观测模型:案例交叉
  • 时间观点:追溯

队列和干预

团体/队列
干预/治疗
高血压变异性小组
术中血压波动过大组为高血压变异组
无干预

研究衡量的是什么?

主要结果指标

结果测量
措施说明
大体时间
术中高血压变异性
大体时间:围手术期
我们将 IHBPV 病例定义为手术期间 MAP 的 CV 超过 20% 的情况,无论血压变异性的增加是由于血压降低还是升高。
围手术期

合作者和调查者

在这里您可以找到参与这项研究的人员和组织。

研究记录日期

这些日期跟踪向 ClinicalTrials.gov 提交研究记录和摘要结果的进度。研究记录和报告的结果由国家医学图书馆 (NLM) 审查,以确保它们在发布到公共网站之前符合特定的质量控制标准。

研究主要日期

学习开始 (实际的)

2023年1月2日

初级完成 (实际的)

2023年4月1日

研究完成 (实际的)

2023年4月1日

研究注册日期

首次提交

2023年1月16日

首先提交符合 QC 标准的

2023年1月16日

首次发布 (实际的)

2023年1月26日

研究记录更新

最后更新发布 (实际的)

2023年6月22日

上次提交的符合 QC 标准的更新

2023年6月20日

最后验证

2023年6月1日

更多信息

与本研究相关的术语

关键字

其他研究编号

  • 22232-4-02

计划个人参与者数据 (IPD)

计划共享个人参与者数据 (IPD)?

不

药物和器械信息、研究文件

研究美国 FDA 监管的药品

不

研究美国 FDA 监管的设备产品

不

此信息直接从 clinicaltrials.gov 网站检索,没有任何更改。如果您有任何更改、删除或更新研究详细信息的请求,请联系 register@clinicaltrials.gov. clinicaltrials.gov 上实施更改,我们的网站上也会自动更新.

订阅