[目的]营养支持是重症患者综合救治措施中不可或缺的组成部分,重症患者应优先选择肠内营养(Enteral Nutrition, EN)作为营养支持途径。重症患者进行EN时,管饲是主要手段。重症患者的胃动力受损,使用鼻胃管进行管饲喂养时容易出现高胃残留量,导致胃返流、误吸以及吸入性肺炎等EN相关并发症的发生率明显增高。使用鼻肠管进行EN时,因重症患者小肠动力受损少见,则可明显减少EN时的返流与误吸等与管饲相关的并发症。在众多的鼻肠管放置技术中,床旁经鼻放置鼻肠管因为无创、安全、经济的优点使得医护人员、患者及其家属乐于接受,但此类置管方法技术要求高和成功率低的缺点限制了它的应用。近年出现了一种新型的鼻肠管——螺旋型鼻肠管,研究证实这种鼻肠管可以提高床旁放置鼻肠管的置管成功率。然而,在重症患者中螺旋型鼻肠管置管于幽门后的总体成功率仍低。为此,本研究拟将数据挖掘技术引入到对螺旋型鼻肠管优化置管的研究中。本研究将应用数据挖掘技术构建重症患者螺旋型鼻肠管成功置管决策树预测模型及Logistic回归模型,并对这两种模型的预测性能进行测试,以达到(1)探讨应用数据挖掘技术用于构建螺旋型鼻肠管成功置管预测模型的可行性；(2)探讨决策树模型、Logistic回归模型用于预测重症患者螺旋型鼻肠管成功置管的可行性；(3)比较与评价决策树模型与Logistic回归模型用于预测重症患者螺旋型鼻肠管成功置管的性能等目的。通过对预测模型的研究,预期为临床提供螺旋型鼻肠管成功置管预测模型,以主动选择适合置入螺旋型鼻肠管的重症患者,从而提高螺旋型鼻肠管的总体置入成功率。[方法]本研究应用数据挖掘技术构建螺旋型鼻肠管成功置管预测模型。数据挖掘过程均在CRISP-DM流程模型框架内完成。在流程模型各阶段的工作内容如下：事务理解：目前已知重症患者行螺旋型鼻肠管置管成功率低,在前期研究发现有多种因素可影响置管结果。数据挖掘的目标是对危重人群进行分类预测,预测该重症患者行螺旋型鼻肠管置管成功的可能性。确定数据挖掘使用的工具软件为SPSS21.0及Rapidminer6.0.001。数据理解：本研究收集了广东省人民医院(广东省医学科学院)重症医学科2005年8月至2013年11月间进行床旁被动等待法放置螺旋型鼻肠管的病例,共609例。原始数据分为两部分,第一部分来源于广东省人民医院(广东省医学科学院)医院信息系统(Hospital Information System, HIS),由专人从HIS检索并将数据录入Microsoft Excel2010电子表格。第二部分来源于促胃动力药提高螺旋型鼻肠管幽门后置管成功率的多中心、前瞻性、随机对照临床试验研究(PROMOTE研究)的病例报告表。在本阶段确定病例的入选及排除标准,确定数据中用于分析的变量及变量名。数据准备：此阶段涉及数据的选择、淘汰、构建、整合等方面的工作。从医学专业角度分析原始数据,对可能影响置管结果的变量进行筛选,完成数据选择。对筛选后的数据进行检查,将变量存在不一致、缺失或重复的进行清除以完成数据淘汰。依据临床医学专业标准或常识对变量进行转换,对可以合并处理的变量进行整合；并将定量变量进行离散化转换为分类变量,完成数据的构建与整合。最后在此阶段将2005年8月至2011年12月的回顾性资料,共491例定义为训练队列,作为训练集；2012年4月至2013年11月广东省人民医院(广东省医学科学院)在促胃动力药提高螺旋型鼻肠管幽门后置管成功率的多中心、前瞻性、随机对照临床试验研究(PROMOTE研究)的部分前瞻性资料,共118例定义为测试队列,作为测试集。建立模型：在SPSS21.0工具软件中应用训练队列,以CHAID算法为树增长方法,以最大树深度：3；拆分节点显著性水平：0.01；合并类别的显著性水平：0.05；使用Pearson卡方计算统计量；最大迭代次数：100；期望单元格频率的最小更改：0.05为参数构建CHAID决策树模型；应用训练队列在RapidMiner6.0.001数据挖掘软件的Decision Tree模块中以Gini Index作为生成决策树条件,以用于拆分的最小尺寸：4；最小叶子尺寸：2；最小增益：0.1；最大树深度：5；用于剪枝的置信水平：0.25为参数构建RapidMiner决策树模型；Logistic回归模型应用训练队列在SPSS21.0工具软件里实现。以置管结果进行分组,将训练队列的分类变量进行,检验并对定量变量进行,检验,以P<0.10认为差别有统计学意义；将差别有统计学意义的变量作为单因素影响因子采用向前步进(Wald)方法在0.05进入和0.10排除的标准下进入二分类Logistic回归模型的建模。模型评价：选择测试队列对构建的三个模型进行性能测试。将测试队列各样本在三个模型中预测置管成功的概率在MedCalc12.7.8工具软件里生成ROC(Receiver Operating Characteristic,受试者工作特征)曲线,以Youden指数最大法确定ROC曲线最佳工作点以及相应的敏感性、特异性。通过分析AUC(Area Under the Curve,曲线下面积)评价模型的预测性能,对各模型AUC的差别进行z检验,以P<0.05认为差别有统计学意义。部署实施：拟在临床上应用决策树模型,即产生一个重症患者放置鼻肠管方法的选择流程,评价流程的可操作性、医护工作人员的依从性等。[结果]1.CHAID决策树模型预测重症患者螺旋型鼻肠管置管成功的规则有2条：①如果使用促胃动力药且APACHE Ⅱ评分<20分的则置管成功；②如果使用促胃动力药、APACHE Ⅱ评分≥20分但置入螺旋型鼻肠管前已通过鼻胃管管饲的患者则置管成功。2.Rapidminer决策树模型预测置管成功的规则有3条：①如果使用促胃动力药且APACHE II评分≤10分的则置管成功；②如果使用促胃动力药,APACHEⅡ评分为11～19分但不是以多潘立酮为促胃动力药的则置管成功；③如果使用促胃动力药,APACHE Ⅱ评分≥20分,置入螺旋型鼻肠管前已通过鼻胃管管饲并且不是消化系统疾病患者时则置管成功。3.Logistic回归模型提示：置管时未使用促胃动力药、置管时应用镇静药、高APACHE Ⅱ评分、消化系统疾病是影响置管成功的危险因素。从两个决策树模型及Logistic回归模型可以看出促胃动力药的使用与APACHE Ⅱ评分是影响螺旋型鼻肠管成功置管比较重要的两个影响因素。4.三个模型的AUC：CHAID决策树模型为0.687(95%CI:0.595-0.769), RapidMiner决策树模型为0.723(95%CI:0.633-0.802)、Logistic回归模型为0.762(95%CI：0.674～0.835)。各模型以Youden指数最大法确定的ROC曲线最佳工作点相应的敏感性、特异性为：CHAID决策树模型：敏感性：80.0%(95%CI：65.4%-90.4%),特异性：60.3%(95%CI:48.1%～71.5%)、RapidMiner决策树模型：敏感性：64.4%(95%CI:48.8%～78.1%),特异性：76.7%(95%CI：65.4%～85.8%)、Logistic回归模型：敏感性：71.1%(95%CI:55.7%-83.6%),特异性：74.0%(95%CI：62.4%～83.5%)。对三个模型的AUC的差别进行假设检验(z检验)的结果如下：CHAID决策树模型与Logistic回归模型AUC的差别有统计学意义(z=2.089, p=0.037), RapidMiner决策树模型与Logistic回归模型AUC的差别无统计学意义(z=0.929,P=0.353)。结果提示：Logistic回归模型的预测性能优于CHAID决策树模型；RapidMiner决策树模型与Logistic回归模型的预测性能相同。RapidMiner决策树模型及Logistic回归模型的AUC均大于0.700,提示模型的预测性能有一定准确性,CHAID决策树模型的AUC为0.687小于0.700,预测的性能较差。[结论]本研究将数据挖掘技术引入到重症患者螺旋型鼻肠管优化置管的研究中。在CRISP-DM流程模型框架内利用广东省人民医院(广东省医学科学院)重症医学科2005年8月至2013年11月间进行床旁被动等待法放置螺旋型鼻肠管的609个病例的数据,采用决策树模型与Logistic回归模型这两种数据挖掘方法成功构建了螺旋型鼻肠管成功置管预测模型。经测试,CHAID决策树模型、RapidMiner决策树模型及Logistic回归模型这三个预测模型对预测螺旋型鼻肠管成功置管的性能均达到一定水平。这个研究结果可以明确,数据挖掘技术适用于螺旋型鼻肠管成功置管预测模型的构建。分析研究的结果,从两个决策树模型提取的预测重症患者螺旋型鼻肠管置管成功的规则易于理解与应用。相对于Logistic回归模型使用回归系数及回归方程这种不易被理解与应用的结果表达方式,决策树模型在实际应用方面的优点明显。结合决策树模型的预测性能及其分类预测规则易于理解与应用的优点,说明决策树模型在临床指导主动选择适合床旁置入螺旋型鼻肠管的重症患者有一定参考价值。最后,在对CHAID决策树模型、RapidMiner决策树模型及Logistic回归模型的分析中也可以进一步明确促胃动力药的使用与APACHE Ⅱ评分是影响螺旋型鼻肠管成功置管比较重要的两个影响因素。