论文部分内容阅读
目的:随着手术量的逐年增加,患者的围术期安全愈发成为关注重点。根据2019年中国卫生年鉴显示,我国年手术量约为6000万例次,而手术患者的围术期死亡率高达2%,在合并基础疾病的患者中可达12%。准确的术前风险评估对尽早识别高危患者,提前进行干预治疗,为临床决策提供支持从而更好地保障患者的围术期安全至关重要。然而目前临床上常用的术前评估方法多为基于传统统计学方法建立的各种评分表,主观性强,评测耗时费力,尤其难以满足高危患者所需的持续动态评估。在患者病情日趋复杂,临床医生工作负担越来越重的今天,亟需一种快速、准确、客观的预测方法对患者的围术期风险进行评估预测,降低围术期死亡率,保障患者的围术期安全。因此,本研究联合中国科学院重庆绿色智能研究院,拟通过回顾性分析腹部手术后死亡患者的术前危险因素,并利用机器学习算法建立预测腹部手术后患者发生死亡的风险预测模型,为临床的术前风险评估探寻新方法。方法:1.通过医院大数据研究平台检索2007年1月至2018年12月期间,全麻下行腹部手术后发生院内死亡的158例患者作为阳性病例,根据阳性病例的年龄段和手术具体名称类型按统计学1:3要求,随机匹配同时间段内行腹部手术后未死亡患者作为阴性对照病例。收集所有病例的术前临床资料,分析比较阳性死亡组和阴性存活组之间的指标,将单因素分析差异有统计学意义的指标(P<0.05)纳入多因素Logistic回归分析,筛选出与腹部手术后发生死亡有关的危险因素并建立风险回归方程,绘制受试者工作特征曲线(Receiver Operating Characteristic curve,ROC曲线)。2.分别利用自适应提升(Adaptive Boosting,AdaBoost)、极端随机树(ExtraTrees,ET)、梯度提升树(Gradient Boosting Decision Tree,GBDT)、线性支持向量机(Linear Support Vector Machine,Linear SVM)、逻辑回归(Logistic Regression,LR)、随机森林(Random Forest,RF)六种机器学习算法对纳入指标进行特征选择,基于纳入90%重要指标(F＿90)、95%重要指标(F＿95)和全部重要性非零指标(F＿100)的三种策略,构建腹部手术患者发生术后死亡的风险预测模型并进行效果评价,计算并比较不同模型间的ROC曲线下面积(Area under curve,AUC)、F1评分、布莱尔分数(Brier score)、阳性预测值、灵敏度和特异度。3.通过集合AdaBoost、ET、GBDT、Linear SVM、LR、RF六种单一传统机器学习算法计算得出的概率特征,再使用LR(此部分为组合了多种机器学习算法进行集成学习的方法,命名为―术后死亡风险预测方法:Postoperative Mortality Prediction,PMP方法‖),基于纳入90%重要指标(F＿90)、95%重要指标(F＿95)和全部重要性非零指标(F＿100)的三种策略进行腹部手术患者发生术后死亡风险预测模型的构建评价,计算并比较不同模型间的AUC、F1评分、Brier score、阳性预测值、灵敏度和特异度。结果:1.多因素Logistic回归分析结果显示,与腹部手术患者术后发生死亡相关的独立危险因素包括:美国麻醉医师协会(American society of anesthesiologists,ASA)分级[比值比(Odds Ratio,OR):2.117,95%可信区间(Confidence Interval,CI):1.219～3.679,P=0.008],术前合并高血压(OR:2.072,95%CI:1.094～3.926,P=0.025),术前合并冠心病(OR:3.944,95%CI:1.433～10.857,P=0.008),术前合并肺部疾病(OR:2.678,95%CI:1.214～5.907,P=0.015),活化部分凝血活酶时间(Activated Partial Thromboplastin Time,APTT:31～43s)(OR:1.070,95%CI:1.028～1.114,P=0.001),天门冬氨酸氨基转移酶(Aspartate aminotransferase,AST)浓度(OR:1.007,95%CI:1.000～1.014,P=0.044),总胆红素(Total Bilirubin,TBIL)浓度(OR:1.003,95%CI:1.000～1.007,P=0.045),血葡萄糖浓度(OR:1.109,95%CI:1.006～1.222,P=0.037)。2.通过机器学习的特征选择,在同一策略不同机器学习算法上出现>3次,且在三种策略中均被纳入的指标有:血红蛋白(Hemoglobin,Hb)浓度、TBIL、纤维蛋白原(Fibrinogen,Fbg)、APTT、术前合并肺部疾病、术前合并高血压、血白细胞(White Blood Cell,WBC)计数、脉搏、白蛋白(Albumin,ALB)、血中性粒细胞(Neutrophil,NEUT)计数、血钠浓度、AST、术前合并肾功能不全、白/球比值(ALB/GLB,A/G)、血小板(Platelet,PLT)计数、血淋巴细胞(Lymphocyte,LYMPH)计数、丙氨酸氨基转移酶(Alanine aminotransferase,ALT)、身体质量指数(Body Mass Index,BMI)、血肌酐(Creatinine,Cre)浓度、血钙浓度。3.利用单一传统机器学习算法的研究中,基于F＿90建立的预测模型中,RF综合评价表现最好(AUC:0.816,95%CI:0.761～0.871;F1评分:0.77;Brier score:0.144);基于F＿95和F＿100建立的预测模型中,GBDT综合评价表现最好(AUC:0.854,95%CI:0.803～0.904;F1评分:0.81;Brier score:0.131),(AUC:0.833,95%CI:0.780～0.886;F1评分:0.80;Brier score:0.144)。4.通过PMP方法进行死亡风险预测的研究中,基于F＿95建立的预测模型综合评价表现最好(AUC:0.842,95%CI:0.791～0.894;F1评分:0.82;Brier score:0.142)。整体表现均高于单一传统机器学习算法建立的预测模型。结论:1.腹部手术患者术后发生死亡的独立危险因素包括:ASA分级、术前合并高血压、术前合并冠心病、术前合并肺部疾病、APTT、AST、TBIL、血葡萄糖浓度8个因素。2.“Hb浓度、TBIL、Fbg、APTT、术前合并肺部疾病、术前合并高血压、WBC计数、脉搏、ALB、NEUT计数、血钠浓度、AST、术前合并肾功能不全、A/G、PLT计数、LYMPH计数、ALT、BMI、Cre、血钙浓度‖是预测腹部手术后死亡风险的有效指标。3.基于机器学习算法建立腹部手术后死亡风险预测模型具备较好的临床实用价值;组合多种机器学习算法的集成算法预测效能优于使用单一传统机器学习算法。