人工神經網絡在預測無痛胃腸鏡檢查后惡心嘔吐中的應用

程 熠 王 磊 馮毅承 郭麗艷

無痛胃腸鏡檢查后惡心嘔吐是門診無痛胃腸鏡受檢患者門診觀察室滯留時間延長的主要原因，且嚴重影響門診患者的就診安全性[1]。臨床上引起無痛胃腸鏡患者檢查后惡心嘔吐的影響因素眾多，如何準確預測患者惡心嘔吐的發生十分必要。人工神經網絡（ANN）是一種模擬人腦神經元活動的非參數機器信息處理系統。其對自變量包容性強，預測模型準確率高，且可以改善以往Logistics 回歸預測分析易受自變量多重共線性影響的問題，更適合大數據、多變量的預測分析[2]。本研究通過構建ANN 預測模型，分析及預測無痛胃腸鏡檢查后惡心嘔吐發生的風險因素，從而為臨床針對性預防和治療提供理論依據。

1 資料與方法

1.1 一般資料 選取浙江省平湖市第一人民醫院2021 年1 月至2022 年4 月在門診行無痛胃鏡+無痛腸鏡聯合檢查的患者1222 例（單純性胃鏡+腸鏡檢查1091 例，胃鏡或/和腸鏡下摘息肉131 例），其中男649 例，女573 例。美國麻醉醫師協會[3]（American Society of Anesthesiologists ASA）分級：Ⅰ級411 例，Ⅱ級811 例，本研究經醫院倫理委員會審核通過，倫理學批件號：2020 年臨審（015）號。患者均簽署知情同意書。

1.2 納入及排除標準 納入標準：（1）年齡18～75歲；（2）體質指數（BMI）15～30 kg/m2；（3）ASA 分級：Ⅰ～Ⅱ級；（4）單純性胃鏡+腸鏡檢查，胃鏡或/和腸鏡下摘息肉術。排除標準：（1）有嚴重高血壓（收縮壓＞180 mmHg，舒張壓＞110 mmHg），心律失常（頻發早搏，心動過速≥120 次/min，房顫等其他惡性心律失常）或不穩定性心絞痛患者；（2）急性上呼吸道感染或哮喘發作期者，嚴重肝腎功能障礙者；（3）近期使用抗凝、激素等藥物者。

1.3 方法 根據中國知網、萬方數據庫、pubmed等文獻數據庫及臨床實踐工作總結，選取有循證醫學證實的14 個可能因素，編制調查問卷表和麻醉、復蘇記錄單。包括：性別，年齡，ASA 分級，BMI 指數，是否有吸煙史，是否有暈動病；胃腸鏡檢查時間，檢查中丙泊酚使用劑量，液體輸注量，是否使用鎮痛藥物，是否出現心動過緩，是否出現低血壓（下降超過25%），是否進行息肉摘除，檢查蘇醒后是否有腹脹腹痛[4-6]。為了減少統計誤差，1222 例患者無痛胃腸鏡檢查均為同一位內鏡醫師操作，所有調查問卷，麻醉、復蘇記錄單由麻醉醫生及內鏡室護士記錄，資料完善可信。

所有預行無痛胃腸鏡檢查患者入檢查室后常規開放上肢靜脈，應用GE 多功能監護儀監測患者血壓（BP）、脈搏血氧飽和度（SPO2）、心電圖（ECG）及心率（HR）。均以先胃鏡后腸鏡的方式，靜脈注射3～4 mg/kg丙泊酚注射液麻醉誘導，安靜無體動后開始檢查。檢查過程中患者出現體動可給予鎮痛藥物10 μg/kg 布托啡諾注射液或追加1 mg/kg 丙泊酚注射液直至患者再次安靜無體動。檢查中出現心率低于50 次/分，給予0.5 mg 阿托品靜注糾正心率，當出現血壓下降超過基礎值25%以上時，予以5 μg 去甲腎上腺素糾正。所有患者檢查完成后進入門診觀察室。

1.4 統計學方法 應用SPSS 22.0 統計學軟件建立多層感知ANN 模型，輸入層為14 個可能影響因素，隱藏層為一層，由軟件系統通過激活函數雙曲正切函數給出。輸出層為惡心嘔吐是否發生：未發生惡心嘔吐目標值為0，發生惡心嘔吐目標值為1，輸出層激活函數為softmax 函數。按照數字隨機法將納入患者按照7∶3 分為訓練集和測試集，訓練集用來訓練網絡，測試集用來追蹤測試，通過反復測試優化模型網絡。對于分類資料根據分類標準賦值，數值指標采用歸一化處理。通過模型預測計算自變量重要性及自變量標準化重要性。

2 結果

2.1 訓練集與測試集對象一般資料比較 全部1222 例患者其中訓練集855 例，測試集367 例。訓練集與測試集患者一般資料比較，差異無統計學意義（P＞0.05），見表1。

表1 訓練集和測試集一般資料比較

2.2 ANN 模型 ANN 結構為14-5-2，模型預測（見圖1）。輸入層單元14 個，隱藏層系統自動確認5 個單元，輸出層為兩個單元對應惡心嘔吐是否發生。ANN 預測模型評價：訓練集的靈敏度71.2%、特異性86.6%、準確率85.3%（見表1）；測試集的靈敏度71.0%、特異度84.7%、準確度84.2%，見表2。

圖1 無痛胃腸鏡檢查后惡心嘔吐發生的人工神經網絡

表1 人工神經網絡預測無痛胃腸鏡檢查后惡心嘔吐訓練集價值（例）

表2 人工神經網絡預測無痛胃腸鏡檢查后惡心嘔吐測試集價值（例）

2.3 無痛胃腸鏡檢查后惡心嘔吐ANN 預測模型各因素權重 檢查中是否使用鎮痛藥物（17.3%），檢查中丙泊酚使用量（14.3%），有暈動病病史者（13.0%），檢查中出現血壓下降超過25%者（12.9%），患者性別（8%），是否出現心動過緩（5.9%），年齡（5.0%），檢查后是否腹痛腹脹（4.9%），檢查中輸液量（4.6%），是否進行息肉摘除（4.2%），是否有吸煙史（3.8%），BMI≥25 μg/m2指數（2.3%），胃腸鏡檢查時間（2.0%），ASA分級（1.7%）。見圖2。

圖2 無痛胃腸鏡檢查后惡心嘔吐ANN 預測模型標準化重要性

3 討論

ANN 模型是由數學及神經學家McCulloch 于上世紀70 年代率先創造及提出[7]。它是一種模擬生物神經網絡結構和功能進行信息處理的方法。ANN 模型可以通過自身的訓練與學習，憑借適應性和記憶性提高模型的容錯率及推廣率。區別于Logistics 回歸分析對自變量的經驗性及局限性，更適合用于病因不明確，影響因素更復雜的疾病預測中[8]。目前ANN 模型已經廣泛應用于腫瘤病因的篩選[9]，復雜疾病病因的探尋[10]等領域中，但對于門診無痛胃腸鏡術后惡心嘔吐等并發癥方面的研究鮮有報道。

門診患者病情多變，影響門診無痛胃腸鏡術后惡心嘔吐的因素眾多，準確預測無痛胃腸鏡檢查后惡心嘔吐的發生，可以避免加重胃腸鏡受檢患者檢查前由于禁飲禁食以及腸道準備引起的水電解質內環境紊亂，減少反流誤吸的風險。縮短患者門診觀察室滯留時間，提高就診安全性及滿意度[1]。

本研究對1222 例門診患者構建無痛胃腸鏡檢查后惡心嘔吐ANN 預測模型，訓練集和測試集的準確率分比為85.3%和84.2%，模型預測效果準確。根據模型預測重要性分析：檢查中是否使用鎮痛藥物（17.3%），檢查中丙泊酚使用量（14.3%），有暈動病病史者（13.0%），檢查中出現血壓下降超過25%者（12.9%），以及患者性別（8.0%）為影響門診無痛胃腸鏡檢查后惡心嘔吐最重要的五個因素。這與以往的惡心嘔吐病因學研究相符合：阿片類藥物的作用機制可能是由于刺激第四腦室的化學感受器觸發帶，及刺激延髓嘔吐中樞，從而誘發惡心嘔吐[11]。靜脈麻醉藥物（丙泊酚，依托咪酯，氯胺酮等）長時間接觸維持，會使機體產生大量5-羥色胺3 從而導致術后的惡心嘔吐[12]。以往有暈車暈船及其他暈動史者，或既往有發生過手術后惡心嘔吐的患者，其惡心嘔吐的閾值相對較低，前庭神經功能易紊亂，無痛胃腸鏡檢查后惡心嘔吐發生概率高[13]。檢查中循環系統的劇烈波動，會導致機體內環境的不穩定，缺血損傷，氧耗增加，同樣容易導致檢查后惡心嘔吐癥狀的出現[14]。女性惡心嘔吐的發生概率高于男性，尤其以月經周期發生術后惡心，嘔吐的概率最高，這可能由于體內雌激素的水平高低與惡心嘔吐的發生概率呈現正相關[4，6]。

本研究發現，ANN 模型能夠比較準確地預測門診無痛胃腸鏡檢查患者術后發生惡心嘔吐的發病率，為個體化特異性預測發病提供了一種新方法，同時也為門診無痛胃腸鏡患者是否發生檢查后惡心嘔吐的評估、預防及治療措施的制定提供了臨床依據。此外，由于本研究排除年齡≥75 歲或≤18 歲，BMI≥30 kg/m2或≤15 kg/m2，ASAⅢ級及以上，可能容易導致年齡、BMI、ASA 分級出現一定的偏差，所以對上述指標還需加大樣本數進一步深入研究。

綜上所述，ANN 可以準確個體化預測無痛胃腸鏡檢查后惡心嘔吐的發生，并對臨床預防和治療惡心嘔吐提供理論依據。（本文受基金項目：平湖市科技計劃項目（社發類）[2020]28-8 支持。）