心外科手術患者重癥監護室住院時間預測模型研究

張 平，吳念悅，張浩天，李功利，劉加林，李 科*

(1. 電子科技大學生命科學與技術學院 成都 610054；2. 四川大學華西醫學院 成都 610041；3. 四川省屏山縣人民醫院 四川 宜賓 645353)

心臟外科手術因其手術器官特殊、手術環節復雜等，其圍術期的病死率較高[1-2]，因此手術后重癥監護室(intensive care unit, ICU)需要及時準確地評估病情及住院時間。

臨床研究發現，患者在ICU 的住院時間會從根本上影響患者的預后效果[3]。住院時間是一個復雜的衡量指標，受很多因素的影響，包括患者人口統計數據、治療復雜性、并發癥和出院計劃等，量化和優化患者在ICU 中的治療時間對醫療成本的控制和臨床服務質量的提高具有重要作用[4-5]。較長的ICU 治療時間意味著更多的重癥監護資源和高昂的醫療費用[6]，ICU 治療時間延長也可能影響ICU 護理質量，增加醫療成本，且可能使病情惡化，并可能減少對最需要患者的照護[7]。

因此，合理預測心臟手術患者的治療時間，對ICU 患者手術治療效果的評估有重要意義。但在臨床操作時，手術患者住院時間的預測通常依賴醫護人員的經驗，本文探索基于機器學習方法預測重癥患者心臟手術后ICU 的治療時間。

在ICU 患者臨床數據分析中，有研究使用機器學習預測患者的死亡率或疾病發生率，文獻[8]采用機器學習方法預測膿毒癥患者死亡率，其預測結果比簡化急性生理學評分等傳統評分量表更為準確。文獻[9]以7 天為界，對外科重癥監護室中的患者進行分類和預測，通過神經網絡方法預測隨著時間的推移而降低的慢性變化。

在重癥感染患者ICU 治療時間的危險因素研究方面，文獻[10]分析影響重癥感染患者ICU 治療時間的危險因素，發現血清乳酸水平是重要的危險因素之一。文獻[11]采用統計方法對ICU 治療時間進行影響因素分析，發現慢性健康狀況系統Ⅱ評分、血乳酸濃度、平均動脈壓、血清鈉濃度是治療時間的影響因素。文獻[12]建立實時預測兒科重癥監護室住院時間的模型，并將該模型集成到計算機決策支持系統中，以改善患者流程管理。該模型將預測的住院時間與實際住院時間進行實時比較，研究變量包括年齡、入院狀態、是否再次入院，時間變量包括目前住院時間、醫療狀況、通氣情況、實驗室指標、飲食情況、活動情況和異物情況等。

本文針對臨床上及時分析重癥患者ICU 治療時間影響因素以及準確預測其所需住院時間，研究基于最小絕對收縮選擇算子(least absolute shrinkage and selection operator, Lasso)的心臟手術患者重癥監護室住院時間的重要預測因子優化方法，構建基于梯度提升決策樹算法的心外科手術患者ICU 住院時間預測模型。實驗結果可為輔助臨床預測、臨床決策支持系統提供算法支撐。

1 研究方法與模型

1.1 梯度提升決策樹

梯度提升決策樹算法[13](gradient boosting decision tree, GBDT)是一種迭代的決策樹算法，通過多輪迭代生成弱分類器，每個分類器都在前一輪分類器殘差的基礎上進行訓練。對弱分類器的要求通常足夠簡單，且具有低方差和高偏差。訓練過程是為了減少偏差以提高最終分類器的準確率，每次訓練的目的都是為了減少最后的殘差。為了連續地減小殘余誤差，需要在殘差減小的梯度方向上訓練新的模型。每個新模型都是在梯度方向上減小前一個模型的殘差。

每一棵決策樹Tm按照分枝增益最大的方式進行增長，最終的回歸樹Tm的訓練目標則是真實值與(T1+T2+···+Tm?1)結果的殘差最小，整體而言GBDT 是一種基于Boosting 思想的加性模型。

該算法的主要步驟如下。

1) 初始化弱學習器：

式中，N為樣本數；L為損失函數。

2) 對于樣本i=1,2···,N，計算負梯度：

3) 計算第m棵樹的參數：

式中，h為決策樹函數。

4) 最優化第m棵樹的權重：

5) 最終得到強學習器表達式：

本文數據集里存在較多的連續型數據與離散型數據，同時，需要對于醫護記錄出錯導致的異常值有很強魯棒性的算法。GBDT 算法作為針對真實分布擬合最好的算法之一，較適合ICU 這種復雜的醫療環境的數據分析。

1.2 Lasso 回歸

Lasso[14]是一種正規化線性回歸方法，在特征選擇方面有廣泛應用[15]。Lasso 回歸的特點是在擬合廣義線性模型時進行變量篩選和復雜度調整。因此，無論目標因變量是連續的、二元的還是多元離散的，都可以使用Lasso 回歸進行建模和預測。通常當變量的數量大于數據點的數量時，或者當離散變量具有太多唯一值時，可能產生過擬合。因此，本文使用Lasso 回歸來防止過度擬合。同時，Lasso 回歸能忽略不重要的特征，構建一個稀疏且更易解釋的模型。

Lasso 回歸的表達式為：

本文通過調節參數λ，從所有預測影響因子中篩選出重要的因子，作為分析影響患者住院時間的主要因素。本文算法可忽略不重要的部分特征，防止過度擬合，最終構建了一個稀疏且更易解釋的住院時間預測模型。

1.3 數據集

本文使用的是2021 年3 月16 日發布的MIMICIV 1.0。 MIMIC-IV 數據庫包含2008 年?2019 年貝斯以色列女執事醫療中心ICU 的4 萬多名患者的信息(https://physionet.org/content/mimiciv/1.0/)[16]，該數據庫是一個大型、開放的數據庫，包括實驗室計量結果、藥品、保險、護理記錄、生命體征計量等多種數據信息。也是目前重癥領域中數據完整性較好的數據庫，擁有近年來心臟手術患者的治療流程、預后情況等記錄。本文模型的預測結果不會因為醫療機構治療水平的提升以及心臟外科的發展而產生偏差，時效性較好。

2 實驗結果與分析

本文研究流程如圖1 所示，首先在MIMIC-IV數據庫中篩選患者，從10938 名患者中選出7567名患者，然后使用Lasso 回歸從126 個預測因子中篩選出41 個重要的預測因子，結合篩選的預測因子和全部預測因子分別使用傳統邏輯回歸(logistic regression, LR)算法和GBDT 算法進行訓練。訓練模型前，采用網格搜索優化模型參數。

圖1 模型構建流程圖

本文實驗使用計算機CPU 處理器為Intel Core i5-8500 3.00 GHz，內存為8 GB。算法使用Python語言，集成開發環境使用jupyter notebook，且使用了第三方工具包scikit-learn。

2.1 患者納入

本文通過國際疾病分類手術碼ICD-9-CM-3 納入心臟手術患者數據，最初納入了10938 名接受心臟手術的患者。然后，將缺失值超過15%的患者排除在分析之外[17]，18 歲以下的患者和死亡患者也被排除在外，最終共有7567 名患者被納入，納入患者數據的平均心率為81.69，平均格拉斯哥昏迷評分為8.46，在ICU 的平均住院時間為3.12 天。

2.2 數據預處理

本文提取了患者在ICU 住院前12 h 內的數據。為了盡可能納入所有影響住院時間的因子，提取了心率、收縮壓、體溫、通氣狀態、格拉斯哥昏迷評分等38 個特征。對于重復測量的變量如心率、白細胞計數等，根據其生理意義在12 h 內統計最大值、最小值和平均值。對于唯一的變量，如年齡，直接使用原始值。對于非數字變量，如入院類型和種族，使用one-hot 編碼處理。最終，共有126 個預測因子作為模型的輸入。

目前，對于住院時間的研究通過單變量分析住院時間的影響因素，或者采用簡單二分類對患者住院時間進行預測，存在明顯不足[7,11,18]。為了對患者住院時間進行更細致地劃分，本文根據專業心外科團隊的建議，將結果指標中患者的住院時間分為4 類：少于3 天、大于等于3 天且小于7 天、大于等于7 天且小于14 天、大于等于14 天，建立四分類預測模型。這種劃分相比二分類模型更有助于明確衡量患者的住院時間，有利于準確地評估患者病情以及預后效果。

2.3 基于Lasso 的預測因子篩選的臨床意義

本文使用Lasso 回歸篩選重要的預測因子，參數 λ為0.05。經過Lasso 算法篩選，從126 個預測因子中得到對ICU 住院時間影響較大的41 個預測因子，具體如表1 所示，預測因子中部分權重較大的預測因子權重值如圖2 所示。

表1 重要預測因子表

圖2 Lasso 回歸篩選的變量權重圖

從圖2 可見，預測因子中診斷個數和手術個數兩個變量對ICU 住院時間有顯著影響，權重均在0.8以上，顯然患者被診斷出患有的疾病越多，需要進行的手術越多，住院時間也會越長，這是一個符合臨床預期的結果。預測因子乳酸鹽濃度目前在ICU 中被用作診斷工具和預后指標，因為乳酸鹽濃度越高，死亡的風險越大，這一結果與文獻[8,19]一致，這在一定程度上提示醫護人員在護理患者時應注意的細節。通過Lasso 回歸分析，血清肌酐濃度(權重為0.192)是第七大最重要的預測指標，因為最小肌酐濃度是預測急性腎損傷最重要的變量，這一結果與文獻[20]一致。此外，心率和血壓、格拉斯哥昏迷評分(GCS)、入院類型和ICU 病房類型也對心臟外科患者在ICU 的住院時間有一定影響。

基于Lasso 算法的預測因子篩選結果符合其臨床意義，并與相關文獻結果一致，說明通過機器學習方法進行ICU 住院時間影響因子篩選是可行的，有助于臨床決策支持系統的開發。

2.4 GBDT 模型參數優化

訓練模型前，通過網格搜索優化模型參數，窮舉搜索并將參數通過交叉驗證以優化得到最優模型。網格搜索分為粗搜索和細搜索兩個步驟[20]，通過粗搜索確定參數的近似范圍，然后進一步通過細搜索確定在近似范圍內的準確參數值。

通過網格搜索，確定本文中GBDT 分類模型的重要參數：每個弱學習器的權重縮減系數為0.1，弱學習器的最大迭代次數為40，決策樹最大深度為10，葉子節點最少樣本數為90，內部節點再劃分所需最小樣本數為300，最大的葉子節點個數為6，一個葉子節點所需的總權重的最小加權分數為0。

2.5 基于GBDT 的住院時間預測分析

在本文實驗中，每次訓練隨機抽取全體80%的數據作為訓練集，20%的數據作為測試集，訓練1000 次后，最終評估模型效果。

圖3 顯示，訓練全部126 個預測因子的邏輯回歸算法平均準確度為0.603(95%置信區間 CI：[0.602, 0.604])，訓練全部預測因子的GBDT 算法平均準確度為0.688(95%置信區間 CI：[0.687,0.689])，訓練篩選出的41 個預測因子的GBDT算法平均準確度為0.687(95%置信區間 CI：[0.687,0.688])。

圖3 模型準確度箱線圖

可以看出，訓練所有預測因子的GBDT 模型與傳統LR 模型相比預測結果更加準確。GBDT作為一種Boosting 算法，由多棵決策樹組成，最終結果是所有決策樹的總和，這使其在區分不同病理特征和關聯的病理特征組合方面具有天然優勢[21]。本文中，這一優勢體現在重新衡量患者的預測因子時，可以處理非線性數據，對異常值具有很強的魯棒性，這使得它適合ICU 復雜的醫療環境。

對比訓練重要預測因子的GBDT 模型與訓練所有預測因子的GBDT 模型，結果的平均準確度基本相同，說明在減少了大量預測因子的情況下，模型仍能取得較好的預測效果，這樣通過Lasso 回歸篩選并減少住院時間的預測因子，將更有助于減少臨床數據收集的工作量，并保證臨床決策支持系統的快速運行。

2.6 住院時間預測結果分析

本文隨機抽取1514 名(總數據的20%)患者作為測試集，其中65%的患者ICU 住院時間不超過3 天。針對訓練重要預測因子的GBDT 模型預測值與實際值的差異進行分析，表3 為二者的混淆矩陣，圖4 反映了4 種類別上二者的差異。

表3 GBDT 預測值與真實值混淆矩陣

圖4 本文GBDT 模型預測值與真實值

結果顯示，模型對住院時間小于3 天的患者預測效果最好，真實值中92%(911 名)的患者被正確預測。對于住院時間在3～7 天的患者，僅34%(135 名)被正確分類，大多數患者被歸類為住院時間小于3 天，這一定程度上是由于數據分布所導致的。住院時間小于3 天的患者占所有患者的65%(991 名)，因此對某一名患者的預測結果會更偏向于住院時間小于3 天。而7～14 天的患者的預測正確率最低，僅為11%(9 名)，這主要是因為訓練樣本過少所導致的。對于最后一類住院時間大于等于14 天的患者，算法取得了較好的預測效果，原因在于ICU 長期住院患者的生理等各類指標與短期住院患者有明顯的不同，因此更容易被正確分類。

總體對比可以看出，本文GBDT 算法在預測心外科患者ICU 住院時間時取得了較好的效果，能夠準確預測心外科ICU 患者的住院時間，對臨床決策有一定的指導作用。

3 結 束 語

本文使用Lasso 回歸篩選出重要的預測因子，其中診斷個數、手術個數、乳酸鹽濃度和血氧飽和度等因子對住院時間有顯著影響，結果符合臨床意義和臨床研究結果，增加了機器學習模型的可解釋性，有利于進一步臨床決策支持系統的開發。

本文提出的基于GBDT 算法的心外科手術患者重癥監護室住院時間預測模型，取得了較好的預測效果，有利于長時間住院的ICU 患者的早期干預，有利于智能方法合理配置醫療資源，提高治療效率。