基于機器學習算法構建術后譫妄風險預測模型的研究進展

高升潤,李 蕓,李雨衡,王艷慶,高成杰

術后譫妄(postoperative delirium,POD)是常見的術后并發癥,老年患者發生率高,以急性注意力和認知障礙為主要表現,病因不明,可致住院時間延長、圍手術期死亡率增高、永久性認知障礙等。所以術前篩查POD高危人群,盡早發現并及時進行干預,對逆轉或減少POD至關重要[1,2]。機器學習(machine learning,ML)是一種根據相關算法自動構建數據模型,高效處理復雜數據的技術,ML技術的深度發展有助于開發高效可靠的預測模型工具,促進和支持臨床診療[3],科學分析醫學數據有利于早期篩查POD以改善預后。本文對POD相關ML風險預測模型的研究成果進行綜述,以期為臨床提供參考。

1 機器學習算法構建風險預測模型

1.1 概述 計算機科學的顯著進步,促使醫學診療逐步進入人工智能(artificial intelligence, AI)時代。ML是AI學習的重要領域,通過計算機模擬人類學習現有數據或圖像,根據內置模型算法,發掘新規律,總結新經驗、新知識等,實現性能提升及自身完善[3,4]。利用ML構建模型,可以有效提取相關數據,深入挖掘其價值,為臨床決策提供可靠依據[5],具有模型構建穩定、預測準確等優點。醫學科研中經典的ML算法有線性回歸、邏輯回歸、決策樹模型等。當前基于ML算法相關的疾病預測模型已廣泛應用于醫療活動中,可以及時篩查高危人群,有效幫助醫務人員及時干預,減少不良結局,提高患者生命質量。

1.2 預測模型的評估及驗證 鑒別力是評價預測模型的重要指標,能夠反映模型對真陽性和真陰性的鑒別能力。常通過制作接收者操作特征曲線(receiver operating characteristic,ROC)并計算曲線下面積 (area under curve,AUC)來體現,即以1-特異度(假陽性率)為橫坐標,靈敏度(真陽性率)為縱坐標繪制。AUC即“C”統計量,亦稱為一次性統計量,屬于二分類變量,范圍值在0.5～1,越接近1表示鑒別力越強,適用于內部驗證模型,即先建模后驗證,測試集和訓練集同源。多個模型比較時常需外部驗證,即收集不同源及時間段的數據進行測試和驗證[6]。預測模型研究對象影響因素冗雜,研究數據呈不同特征,影響預測結果,理想的預測模型可以克服不良因素影響,能夠耐受對其內、外效度的驗證,具備充分的準確性及抗干擾能力[7]。

2 POD的風險因素

3 基于ML算法構建POD風險預測模型研究現狀

常見的POD風險預測模型按照ML算法分類有Logistic回歸預測模型、列線圖預測模型、決策樹及集成樹預測模型,基于臨床電子健康記錄數據(electronic health record,EHR)及應用程序的ML衍生模型也有進一步發展。

3.1 Logistic回歸預測模型 Logistic回歸是一種有監督分類學習模型的多因素回歸分析方法,主要研究二分類或多分類變量與多個影響因素之間的關系[14]。王玉偉和李慧[15]選取200例Stanford A型主動脈夾層(Stanford type A aortic dissection,TAAD)接受手術的患者,進行logistic回歸分析并構建TAAD術后譫妄風險預測模型,檢驗模型區分度和擬合優度。另前瞻性選取行外科手術治療的25例TAAD患者對模型預測效能進行外部驗證。Logistic回歸分析顯示男、年齡>54.6歲、術前血乳酸值>1.96 mmol/L、術中深低溫停循環時間>35.7 min、術后住ICU時間>8.3 d、術后急性腎功能不全、術后感染均是影響患者術后發生譫妄的危險因素,該預測模型AUC、敏感度、特異度分別為0.913、0.753、0.865,驗證模型AUC為0.884,敏感度和特異度分別為0.745、0.836。顯示該模型可用于TAAD患者發生POD風險的預測,效果良好。

3.2 列線圖預測模型 列線圖是一種定量分析圖,由多因素二分類回歸或COX比例風險模型分析得出,屬于回歸方程結果的可視化表達,可以表現不同變量之間的相關性,主要是通過使用互不相交的線段以直尺做垂線的方式估算事件發生概率[16]。李繁等[17]探討了老年患者肺癌根治術POD危險因素,并以此構建驗證預測POD發生風險的列線圖模型。經多因素logistic回歸分析顯示,年齡≥5歲、術前簡易精神狀態量表(MMSE)評分≤25分、術前預后營養指數<45、查爾森合并癥指數(CCI)評分≥2分、鱗癌、術中低血壓和手術時間≥3 h為POD的獨立危險因素。以此構建的列線圖模型經內部驗證顯示對老年肺癌患者POD發生風險具有較高的預測效能和臨床應用價值。Li等[18]回顧性分析了384例髖關節置換術的老年患者,通過意識障礙評估方法將患者分為譫妄組和非譫妄組。采用多因素logistic回歸分析POD的危險因素,并根據結果建立列線圖。單因素分析顯示高齡、糖尿病、腔隙性腦梗死、手術類型、術中失血量、電解質紊亂和貧血是POD的危險因素。多變量邏輯回歸顯示POD的獨立危險因素是年齡、手術類型、電解質失衡、貧血等,列線圖可以為老年股骨頸骨折患者髖關節置換術后的POD提供個體化預測。Chen等[19]進行的一項回顧性的研究分析顯示,接受腹腔鏡胃切除術的老年胃癌患者年齡、安眠藥、ICU時間、白蛋白/纖維蛋白原比值(AFR)、中性粒細胞/淋巴細胞比值(NLR)是發生POD的獨立危險因素,基于此五個因素構建的列線圖模型AUC為0.807,可以有效預測老年胃癌患者的POD。Cox回歸風險模型廣泛應用于流行病學,可納入多變量因素,對患者預后及生存關系分析更具優勢[20]。黃宛冰等[21]回顧性分析559例Stanford B型主動脈夾層術后患者資料,POD的發生率為14.49%,應用LASSO回歸及多變量Cox回歸分析發現,年齡≥60歲、暈厥、入住ICU、入院時中性粒細胞計數>6.3×109/L、術后估計腎小球濾過率<90 ml/(min·1.73 m2)是POD的獨立危險因素,基于此構建列線圖預測模型,采用自助法重抽樣1000次進行內部驗證。結果顯示C統計值為0.774,內部驗證為0.762。術后1、3、7 d的AUC分別為0.776、0.771和0.778,該模型對Stanford B型主動脈夾層患者POD具有較好的風險預測效能和臨床應用價值。

3.3 決策樹及集成樹預測模型 決策樹是一種有監督學習,由訓練集的某個特征決定非葉子節點,該特征的不同取值繼續劃分成若干個子樹,直至滿足某個條件不再分裂成葉子節點,整個過程可視化,能夠處理連續變量及離散問題,可以解決學習中的分類及回歸問題[22]。隨機森林、極限梯度提升算法(extremegradientboosting,XGBoost)等屬于集成樹模型,是以決策樹為分類器集成多個決策樹結果,形成最終預測輸出[23]。Liu等[24]回顧性分析了950例非腦部手術老年患者的臨床信息,應用多層感知器、XGBoost和K近鄰算法三種ML算法構建模型并驗證,發現XGBoost表現最優,訓練集中AUC值為0.982,驗證集AUC值為0.924,準確度較高,該預測模型顯示出較高的預測能力和臨床實用性。該研究顯示,POD與年齡、吸煙史、酗酒史、慢性阻塞性肺病、高血壓病史、手術時間延長和術后入住ICU多因素相關。R?hr等[25]納入1277例60歲以上計劃手術和接受全身麻醉的患者,結合基本臨床參數和術中腦電圖特征進行回顧性分析,采用隨機森林模型,通過10次重復的10倍交叉驗證,結果顯示腦電圖特征可以改善分類,結合臨床參數構建模型較單純臨床參數模型更能達到最佳效果,該工具易于應用,可早期識別有發生POD風險的患者。

3.4 衍生模型 ML可通過臨床檢測或監測記錄數據預測高危人群,對于某些具有潛在特征性指標疾病亦能及時洞察[23]。Bishara等[26]回顧性分析了24 885例成年患者的術前EHR,根據術前風險特征開發并內部驗證神經網絡和XGBoost兩種衍生的POD風險ML預測模型,并將其性能與傳統邏輯回歸開發的模型“臨床醫師指導”和“ML混合”及譫妄風險分層工具進行比較。POD的總發生率為5.3%,ML模型神經網絡、XGBoost顯著優于臨床醫師指導、ML混合等回歸模型以及譫妄風險分層工具,神經網絡、XGBoost和ML混合模型具備良好的效能,通過EHR數據及ML模型預測圍手術期POD高危人群具有較高辨別力,可以實現自動化、實時的POD風險分層,改善POD高?；颊叩膰中g期管理。Jung等[27]納入兩家醫院的3980例膝關節置換術患者,一家醫院的1931例患者用于開發和訓練,另一家醫院的2049例患者進行外部驗證,使用EHR收集術前變量,最終選擇年齡、血清白蛋白、術前服用的安眠藥和鎮靜藥的數量、術前服用的藥物總數(任何一種口服藥物)、神經系統疾病、抑郁癥和跌倒風險等七項內容作為POD的關鍵預測因素,基于網絡應用程序構建XGBoost預測模型用于篩查POD高危人群,該模型顯示出良好的預測效能。POD的發生率與手術類型相關,該研究模型局限于膝關節置換術,限制其普遍性,對于基礎疾病未量化其嚴重程度及功能障礙,該模型中可修改變量混雜因素與POD因果關系難以闡明。Wang等[28]收集術前、術中和術后變量的數據,通過R進行統計分析,利用python構建模型,將ML算法應用于微血管減壓手術POD的預測,準確率達到96.7%,具備極佳的預測價值。文獻[29]通過ML自動化模塊提取圍手術期獲得的電子數據,經運算篩選出年齡、術中出血量、麻醉時間、拔管時間、ICU時間、MMSE評分、CCI、NLR等8項POD相關因素,并建立邏輯回歸、隨機森林、極限梯度增強樹、支持向量機算法等模型,進行全自動評分,經驗證邏輯回歸模型可以體現圍手術期POD風險變化程度,有助于POD預測及合理干預。另有學者通過網絡及AI計算,結合譫妄預測危險因子開發了一款應用程序,該程序基于Ahituv的臨床決策模型,包含患者數據輸入、患者譫妄危險因素預測結果輸入、使用簡版譫妄評估量表進行譫妄評估、譫妄預防干預應用等四個模塊,經驗證該程序可顯著提高譫妄預測能力[30]。

ML技術用于臨床醫學領域是當前研究熱點,關于POD相關的ML預測模型的研究亦取得了積極進展,顯示出獨特優勢及極佳的應用價值。但多數研究模型局限于某類手術POD的預測,缺乏臨床推廣及實用的普適性。在風險因素篩選、預測模型評估驗證等方面存在諸多差異,結合臨床客觀檢查指標構建ML風險預測模型研究較少。如何減少偏倚,進行有效的內部驗證和多中心的外部驗證,提高預測模型的穩定性、準確性及實用性,是將來POD風險預測模型構建研究的重點。