 |
随着科技的发展，机器学习逐渐在医疗领域崭露头角。它就像是一个强大的 “数据侦探”，能够对大量的术前和术中数据进行综合分析，找出那些与围手术期并发症相关的关键因素。要是把机器学习模型融入电子病历系统，还能实现实时风险评估和预测，大大提升患者的治疗效果。然而，目前用于 PIH 预测的模型却存在不少问题。有些模型依赖复杂的机器学习算法和严格的数据收集方法，一旦患者样本数量有限，就特别容易出现过拟合的情况。比如，把有创动脉压数据纳入分析，虽然能提高预测准确性，但这类数据只有特定高风险患者在特定手术中才有，没办法推广到更广泛的患者群体。还有像脉搏变异指数（PVI）、心率变异性（HRV）这些非侵入性方法，要么需要特定设备，要么分析过程太复杂，都不太适合大规模使用。
为了解决这些难题，研究人员在《BMC Medicine》期刊上发表了一篇名为《Development and validation of machine learning models for predicting post-induction hypotension: a retrospective cohort study》的论文。他们通过研究发现，逻辑回归模型在预测 PIH 方面表现最佳，该模型的受试者工作特征曲线下面积（AUROC）达到了 0.74（95% CI：0.71 - 0.77）。这一研究成果为个性化术前风险评估和定制化麻醉管理提供了有力的工具，有助于医生提前进行干预，改善患者的治疗结果。把机器学习模型整合到电子病历系统中，还能方便医生进行实时风险评估和预测，意义十分重大。
研究人员在开展这项研究时，主要运用了以下几个关键技术方法：首先，他们从 VitalDB 这个公开数据库获取数据，该数据库收集了 6388 名手术患者的生物信号和临床信息。接着，对数据进行预处理，包括对有序分类变量进行标签编码、多分类变量进行独热编码、连续变量进行标准化处理，同时通过方差过滤和相关性系数分析去除一些对模型预测贡献较小的特征。然后，他们运用逻辑回归、随机森林、XGBoost 和神经网络等机器学习模型进行预测，并采用五折交叉验证和网格搜索来优化模型参数。最后，利用 AUROC、校准曲线、决策曲线分析（DCA）等多种评估指标来评价模型性能。
下面来详细看看研究结果。在数据集特征方面，研究共纳入了 5406 名患者，其中 921 名（占 17%）出现了诱导后低血压。研究人员从临床变量中提取了 36 个特征，部分特征存在缺失数据，但缺失比例都小于 10%，88.6% 的患者所有特征数据完整。对比发生 PIH 和未发生 PIH 的患者临床特征发现，两者在很多方面都存在显著差异，比如发生 PIH 的患者往往年龄更大、女性居多、BMI 较低，术前血红蛋白和白蛋白水平也较低。
在模型性能评估上，逻辑回归模型的 AUROC 为 0.74，随机森林模型为 0.71，XGBoost 模型和神经网络模型均为 0.72，虽然四个模型之间的差异无统计学意义，但逻辑回归模型在其他次要指标上保持了较好的平衡。校准曲线显示，逻辑回归和随机森林模型校准性能良好，不过综合 Brier 评分来看，逻辑回归模型校准最佳。DCA 曲线表明，逻辑回归模型的临床获益最高，在减少不必要干预和避免漏诊之间达到了较好的平衡。综合考虑，研究人员选择逻辑回归模型进行进一步的模型解释。
通过对逻辑回归模型的分析，研究人员确定了 10 个最重要的特征。其中，基线舒张压最为关键，一般来说，较高的基线血压意味着手术中低血压风险较低，而较低的基线血压则可能增加低血压发生风险，但也有研究持相反观点 ，这可能与低血压的定义不同有关，本研究采用平均动脉压（MAP）<55 mmHg 作为 PIH 的判定标准。此外，年龄、性别等基本患者特征也对 PIH 的发生有潜在影响，普遍认为老年患者更容易出现 PIH，而性别对其影响存在争议。血小板计数、尿素氮和白蛋白等实验室指标也被确定为重要特征，这些指标能反映患者的血液和肾功能状况，其异常可能暗示代谢和体液平衡紊乱，进而增加 PIH 发生风险。麻醉诱导药物的使用也会影响患者血压，比如罗库溴铵使用时可能会出现短暂血压下降，而芬太尼因其血流动力学稳定性，与 PIH 呈负相关。
研究人员还将自己构建的模型与其他预测 PIH 的方法进行了对比。像 PVI 预测 PIH 的灵敏度为 0.79，特异性为 0.71；HRV 分析的 AUROC 为 0.70；还有一种基于插管前 4 - 1 分钟生命体征训练的模型，准确率可达 0.72。而本研究的模型仅使用电子病历中常规收集的数据，虽然可能在准确性上有所妥协，但胜在无需专业设备和人员，在实用性和精确性之间找到了平衡，为临床风险分层提供了一个广泛适用且可扩展的工具。
不过，这项研究也存在一些局限性。数据来自单一机构数据库，可能存在偏差，限制了研究结果在其他人群和医疗环境中的推广；研究依赖无创血压测量，可能存在测量误差；关于血管活性药物使用的信息不够详细，影响了模型的预测准确性；并且研究主要关注术前电子病历中的特征，未纳入一些术中特征，可能限制了对晚期 PIH 的预测。
总的来说，这项研究构建了一个预测 PIH 的机器学习模型，并明确了 PIH 的相关危险因素。虽然存在一些不足，但为后续研究和临床实践奠定了重要基础。未来的研究可以朝着使用多中心数据集、纳入更多术中特征的方向展开，进一步优化预测模型，推动个性化医疗的发展，保障患者的手术安全。相信在研究人员的不断努力下，手术中 PIH 这颗 “定时炸弹” 将逐渐被驯服，患者也能在手术过程中得到更安全、更有效的治疗。
转载请注明：可思数据 » 机器学习模型：精准预测诱导后低血压，开启麻醉管理新篇章
免责声明：本站来源的信息均由网友自主投稿和发布、编辑整理上传，或转载于第三方平台，对此类作品本站仅提供交流平台，不为其版权负责。本网站对有关资料所引致的错误、不确或遗漏，概不负任何法律责任。若有来源标注错误或侵犯了您的合法权益，请作者持权属证明与本站联系，我们将及时更正、删除，谢谢。联系邮箱：elon368@sina.com
